Czy wielowymiarowe Centralne Twierdzenie Graniczne (CLT) obowiązuje, gdy zmienne wykazują doskonałą współzależność?


10

Tytuł podsumowuje moje pytanie, ale dla jasności rozważ następujący prosty przykład. Niech XiiidN(0,1) , i=1,...,n . Zdefiniuj:

Sn=1ni=1nXi
i
Tn=1ni=1n(Xi21)
Moje pytanie: Mimo że Sn i Tn są całkowicie zależne, gdy n=1 , czy nSn i nTn zbieżne do wspólnego rozkładu normalnego jako n ?

Motywacja: Moja motywacja do pytania wynika z faktu, że dziwnie (ale cudownie) wydaje się, że Sn i Tn są całkowicie zależne, gdy n=1 , ale implikacją wielowymiarowego CLT jest to, że podchodzą do niezależności jako n (wynikałoby to z tego, że Sn i Tn są nieskorelowane dla wszystkich n , stąd jeśli są asymptotycznie normalne w stawie, to muszą również być asymptotycznie niezależne).

Z góry dziękuję za wszelkie odpowiedzi lub komentarze!

ps, jeśli możesz podać jakieś referencje itp., tym lepiej!


Brak odpowiedzi, ale komentarz. Nie uważam tego za bardzo zaskakujące. Zależność, którą zauważysz dla n = 1, szybko maleje wraz ze wzrostem n.
Erik,

@egbutter podał dobrą odpowiedź. Jeśli nadal szukasz alternatywnej lub dodatkowej intuicji, zadzwoń do mnie, a zobaczę, jak napisać coś nieco innego.
kardynał

@cardinal Bardzo dziękuję za ofertę, ale w tym momencie jestem całkiem zadowolony - nagrodę przyznałem egbutter. Myślę, że mam intuicję. Moim głównym celem w postach było sprawdzenie, czy ktoś wskoczył i powiedział: „Nie, nie, wszystko popełniłeś źle z powodu ...” :-) Na zdrowie.
Colin T Bowers

Odpowiedzi:


6

Krótka odpowiedź, jak rozumiem twoje q, brzmi „tak, ale ...” wskaźniki zbieżności na S, T i innych momentach niekoniecznie są takie same - sprawdź wyznaczanie granic za pomocą twierdzenia Berry'ego-Esseena .

W przypadku, gdy źle rozumiem twoje q, Sn i Tn trzymają się nawet CLT w warunkach słabej zależności (miksowania): sprawdź CLT Wikipedii, aby zapoznać się z procesami zależnymi .

CLT jest takim ogólnym twierdzeniem - podstawowy dowód nie wymaga niczego więcej, niż funkcja charakterystyczna Sn i Tn jest zbieżna z funkcją charakterystyczną normalnej normy, a następnie Twierdzenie Levy'ego o ciągłości mówi, że zbieżność funkcji charakterystycznej implikuje zbieżność rozkładu.

Jan Kucharz stanowi doskonałą wyjaśnienie błędu CLT tutaj .


Dziękuję za odpowiedź. Jeśli chodzi o to pytanie, tak naprawdę nie martwię się stopniem konwergencji ani tym, czy CLT zachowa się w bardziej ogólnych warunkach, np. W zależności. Naprawdę liczyłem na odniesienie lub stwierdzenie, które uzasadnia użycie wielowymiarowego CLT, gdy i-ty składnik każdej sumy wykazuje doskonałą równoczesną zależność. Następnie odnalazłem odniesienie w „Stochastycznej Teorii Granic” Davidsona, stwierdzające, że wielowymiarowy CLT utrzymuje dowolną współczesną zależność, ale wciąż szukam trochę rygorystyczności wokół tego stwierdzenia.
Colin T Bowers

Wygląda na to, że przesadzasz. Czy twoje i w [1, n] komponentach „współczesnych”, o których mówisz? Jeśli tak, to ważne jest, aby Twoje Sn i Tn nadal były zbieżne (możesz to sobie udowodnić przy użyciu tej samej metody, co wspomniany powyżej dowód „starej szkoły” CLT) - ale dla danego i ich błędy będą być innym. To nie zmienia faktu, że CLT ma. Rozróżnienie wielu / jednowymiarowych nie jest ważne.
egbutter

Tak, ja są współczesnymi składnikami. Dobra sugestia dotycząca przeprowadzenia przykładu przez dowód. Właściwie to zrobiłem i nie znalazłem żadnych problemów, co paradoksalnie mnie denerwowało. Być może w tym momencie przesadzam z przemyśleniami :-) Jeszcze raz dziękuję za odpowiedź. Jeśli do końca dnia nikt nie ma wątpliwości, zaznaczę twoją odpowiedź jako odpowiedź. Twoje zdrowie.
Colin T Bowers

Z pewnością potrafię wczuć się w świat - często robię to samo! :)
egbutter

1

Oczywiście, to niczego nie dowodzi , ale zawsze uważam, że wykonywanie symulacji i tworzenie wykresów jest bardzo przydatne w zrozumieniu wyników teoretycznych.

Jest to szczególnie prosty przypadek. Generujemy losowych zmiennych normalnych i obliczamy i ; powtórz razy. Przedstawiono wykresy dla i . Łatwo jest zauważyć, że zależność słabnie wraz ze wzrostem ; przy wykres jest prawie nie do odróżnienia od niezależności.nSnTnmn=1,10,1001000nn=100

test <- function (m, n) 
{
    r <- matrix(rnorm(m * n), nrow = m)
    cbind(rowMeans(r), rowSums(r^2 - 1)/n)
}

par(mfrow=c(2,2))
plot(test(100, 1))
plot(test(100, 2))
plot(test(100, 5))
plot(test(100, 100))

wprowadź opis zdjęcia tutaj

Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.