大样本理论基础 pdf epub mobi txt 电子书 下载 在线阅读 2026

经典统计推断的基石：超越大样本的细致洞察 本书聚焦于统计推断的精细层面，特别关注在样本量有限或模型假设未完全满足情况下的稳健性与精确性。它深入探讨了传统大样本理论（如中心极限定理、大数定律在渐近分析中的应用）的局限性，转而构建一个专注于小样本特性、精确概率分布以及有限样本校正方法的理论框架。 --- 第一部分：有限样本精确分布与矩方法论 本部分旨在为读者提供理解和构建基于有限观察的统计量精确分布的工具箱。我们认为，统计推断的生命力在于其在实际观测数据（往往样本量有限）下的可靠性，而非仅仅依赖于样本趋于无穷时的渐近表现。 第一章：超越中心极限定理的精确矩分析 本章首先回顾了标准中心极限定理（CLT）在描述统计量分布时的作用，但很快将焦点转移到如何计算和利用精确的边缘矩。我们详细阐述了高阶中心矩（偏度、峰度）在小样本中对分布形状的决定性影响，这些影响在渐近分析中会被迅速淹没。内容涵盖： Cumulant Generating Functions (累积量生成函数) 在有限样本推导中的应用： 如何利用其截断形式而非泰勒展开来直接导出精确的分布矩。 Edgeworth 展开的严格限制与应用边界： 深入分析 Edgeworth 展开（作为 CLT 的一阶修正）在样本量较小时的误差项分析，并提出在何种样本量下使用该展开是具有误导性的。 基于条件矩的迭代推导： 引入马尔可夫链蒙特卡洛（MCMC）方法中的精确抽样思想，将其应用于理论推导，通过条件矩迭代来逼近真实的小样本分布函数。 第二章：精确分布的解析构造：基于特征函数的逆变换 本章侧重于如何从统计量的特征函数（Characteristic Function, CF）精确地反演出其概率密度函数（PDF）或概率质量函数（PMF）。这需要对特征函数进行复杂的傅里叶逆变换，特别是在处理复杂的非正态分布（如 t 分布、F 分布及其混合体）时。 广义 Beta 分布族（Generalized Beta Family）的精确推导： 如何通过限制变量的联合支持域，精确导出如样本均值、样本方差等统计量在特定模型下的精确分布公式，避免使用近似分布。 随机变量和的精确分布： 探讨独立随机变量和的分布问题，重点研究当独立变量不满足同分布假设时，如何利用特征函数的乘法特性构造精确的分布函数，而非简单地依赖于福氏卷积的近似。 精确分布的数值稳定性问题： 讨论在实际计算中，高阶特征函数的离散化和逆变换过程中的数值误差分析，提出稳定计算的算法框架。 --- 第二部分：模型假设的稳健性与有限样本校正 统计实践中，模型假设（如同方差性、独立性、分布的精确形式）常常是近似的。本部分探讨在这些假设轻微偏离时，如何维持推断的有效性和效率，并提供针对性的有限样本校正方法。 第三章：异方差与自相关下的有限样本推断 传统回归模型依赖于误差项的同方差和独立性。本章假设这些条件被打破，关注在异方差或序列相关存在时，如何改进对参数标准误的估计。 Huber-White 估计量的严格推导与局限： 详细剖析稳健标准误（Robust Standard Errors）的代数构建过程，并证明其在样本量较小时对真实方差的低估程度，特别是在异方差结构高度非线性和高维数据中。 小样本下的 HAC (Heteroskedasticity and Autocorrelation Consistent) 估计： 引入 Newey-West 估计量的有限样本修正项。重点分析截断参数（Lag Length Selection）选择对校正效果的敏感性，并提出基于信息准则的有限样本截断长度确定方法，而非依赖于渐近最优性。 基于重抽样的有限样本校正： 深入研究 Jackknife 和 Bootstrap 方法在小样本背景下的偏差和方差估计能力。对比不同重采样次数下，修正后估计量方差估计的准确度，明确指出何时 Bootstrap 估计会失效（如存在杠杆点或边缘分布的稀疏性）。 第四章：有效性与效率的权衡：有限样本信息效率边界 本章将统计推断的焦点从渐近效率转移到有限样本的信息效率。我们不再将 Cramér-Rao 下界视为渐近目标，而是将其重新构建为有限样本的精确下限。 有限样本 Fisher 信息矩阵的精确计算： 对于非线性模型，如何精确计算观测值的二阶偏导的期望值，从而得到有限样本的 Fisher 信息矩阵（FIM）。 基于 FIM 的有效性检验： 提出一种检验统计量，该统计量直接衡量参数估计的方差与精确 FIM 逆矩阵对角线元素之间的差距，以评估估计量的有限样本效率。 模型设定误差对估计精度的冲击分析： 探讨当模型设定（如：遗漏重要变量或包含冗余变量）与真实过程存在微小偏差时，不同估计量（如 OLS、GLS、IV）在有限样本下的相对性能排序，提出在模型不确定性下的“最小最大损失”估计选择准则。 --- 第三部分：非参数与半参数推断的有限样本构建 本部分超越了对参数分布的严格假设，探索在数据驱动的非参数估计中，如何获得可靠的小样本误差界限和置信区间。 第五章：核密度估计的有限样本偏差与带宽优化 核密度估计（KDE）是典型的非参数方法。本章的核心挑战在于，在小样本下，选择合适的带宽 $h$ 对估计的偏差（Bias）和方差（Variance）具有决定性的影响。 偏差-方差权衡的精确积分形式： 推导在给定有限样本量 $N$ 和特定核函数下，带宽 $h$ 对积分均方误差（MISE）的精确解析表达，从而取代通用的渐近最优带宽选择公式。 “即插即用”的有限样本带宽选择器： 提出基于数据内在特征（如样本变异性的高阶矩）的带宽选择方法，这些方法不依赖于对潜在分布函数的先验知识。 小样本下的可靠性区间（Confidence Bands）： 构造基于 L2 范数或 Kolmogorov-Smirnov 距离的非参数置信区间，确保在给定的显著性水平 $alpha$ 下，区间覆盖真实密度函数的概率严格满足 $1-alpha$，即使在样本量较小的情况下。 第六章：分位数回归的稳健性与小样本推断 分位数回归（Quantile Regression, QR）因其对异常值的稳健性而广受欢迎。然而，在小样本下，分位数估计量的渐近正态性验证变得困难。 分位数估计量的精确抽样分布： 详细推导条件分位数估计量在有限样本下的精确分布，这通常涉及顺序统计量（Order Statistics）的复杂组合。 Bootstrap 在分位数估计中的失效条件： 明确指出当估计的分位数 $ au$ 接近 0 或 1 时（即极端分位数），以及样本量较小时，标准 Bootstrap 方法对方差估计的偏差来源，并提出使用 I-Bootstrap 或 Block Bootstrap 进行修正。 基于损失函数的区间构建： 提出一种新的基于不对称损失函数（Pinball Loss）的置信区间构建方法，该方法避免了对方差估计的直接依赖，从而增强了其在样本量较小时的稳健性。 --- 总结： 本书提供了一套严谨的、面向计算和实际应用的统计推断框架。它致力于填补现有教材中对渐近理论过度依赖留下的空白，强调在真实世界的数据集上，精确性、稳健性和有限样本的行为才是统计推断是否可靠的关键。读者将获得从基础矩的精确计算到复杂非参数模型的稳健校正的完整理论支撑。