שיטת הדלתה

שיטת הדלתה בסטטיסטיקה היא תוצאה המאפשרת את אמידת השונות של פונקציה של אמד לפרמטר, כאשר התפלגותו האסימפטוטית של האמד היא נורמלית וסטיית התקן של האמד ידועה או ניתנת לאמידה.

היסטוריה

סקירה של ההיסטוריה של שיטת הדלתה ניתנה על ידי והר הוףתבנית:הערה ומכתב תשובה מאת פורטנויתבנית:הערה. הרעיון שליו מבוססת שיטת הדלתה היה ידוע כבר במאה התשע עשרה. ב-1838 הוצג הרעיון הבסיס על ידי בסלתבנית:הערה, וב-1838 הוא הוצג בספרו של אייריתבנית:הערה. השימוש הסטטיסטי הראשון בשיטה נעשה ככל הנראה ב-1928 על ידי קליתבנית:הערה. הניסוח הפורמלי הוצג ב-1935 על ידי דובתבנית:הערה.

שיטת הדלתה

משפט

תהי $X_n$ סדרה של משתנים מקריים בעלת התפלגות אסימפטוטית נורמלית, ובאופן פורמלי $\sqrt{n}[X_n-\theta ]\stackrel{D}{\to }𝒩(0,{\sigma }^2),$, כאשר $\theta$ ו-${\sigma }^2$ קבועים ממשיים, ו-$\stackrel{D}{\to }$ מציין התכנסות בהתפלגות.

כן תהא $g$ פונקציה הגזירה בנקודה $\theta$ כך ש-$g^{\prime }(\theta )$ רציפה ו-$g^{\prime }(\theta )\ne 0$.

אזי: $\sqrt{n}[g(X_n)-g(\theta )]\stackrel{D}{\to }𝒩(0,{\sigma }^2\cdot [g^{\prime }(\theta ){]}^2)$.

הוכחה:

על פי משפט הערך הממוצע של לגראנז' (משפט ערך הביניים) קיים $\tilde{\theta }$ כך ש-$g(X_n)=g(\theta )+g^{\prime }(\tilde{\theta })(X_n-\theta )$, כך ש-$\tilde{\theta }$ נמצא בין $X_n$ ובין $\theta$. (זהו למעשה פיתוח טיילור של $g$ סביב $\theta$.)

נסדר מחדש את האיברים ונכפיל ב-$\sqrt{n}$, ונקבל כי $\sqrt{n}[g(X_n)-g(\theta )]=g^{\prime }\left(\tilde{\theta }\right)\sqrt{n}[X_n-\theta ]$.

מכיוון ש-$X_n\stackrel{P}{\to }\theta$ (כאשר $\stackrel{P}{\to }$ מציין התכנסות בהסתברות) מקבלים כי $\tilde{\theta }\stackrel{P}{\to }\theta$, ומכיוון ש-$g^{\prime }(\theta )$ רציפה אנו מקבלים כי גם $g^{\prime }(\tilde{\theta })\stackrel{p}{\to }{g}^{\prime }(\theta )$.

כזכור, על פי תנאי המשפט $\sqrt{n}[X_n-\theta ]\stackrel{D}{\to }𝒩(0,{\sigma }^2),$, ולכן על פי משפט סלוצקי מקבלים באופן מיידי כי $\sqrt{n}[g(X_n)-g(\theta )]\stackrel{D}{\to }𝒩(0,{\sigma }^2\cdot [g^{\prime }(\theta ){]}^2)$.

הערה: ניתן להוכיח כי השגיאה בקירוב שואפת בהסתברות לאפס. כן קיימת גרסה רב ממדית.

דוגמאות

ריבוע התוחלת

על פי משפט הגבול המרכזי, הממוצע של $n$ משתנים מקריים בלתי תלויים ושווי התפלגות בעלי תוחלת $\mu$ ושונות סופית וחיובית ${\sigma }^2$ מתפלג אסימפטוטית נורמלית, כלומר $\sqrt{n}[{\overline{X}}_n-\mu ]\stackrel{D}{\to }N(0,{\sigma }^2)$. תהי $g(x)=x^2$, ולכן $g^{\prime }(x)=2x$. מכאן נקבל כי ל-${\overline{X}}_n^2$ יש התפלגות אסימפטוטית נורמלית עם תוחלת ${\mu }^2$ ושונות $\frac{4{\mu }^2{\sigma }^2}{n}$.

רגרסיה לוגיסטית

נתבונן במודל $\log \frac{\pi (x)}{1-\pi (x)}=\alpha +\beta x$, ונסמן ב-${\hat{\beta }}_n$ את אמדן הנראות המקסימלית ל-$\beta$. מכיוון שזהו אמד נראות מקסימלית ידוע כי התפלגותו היא אסימפטוטית נורמלית עם תוחלת $\beta$ ושגיאת תקן $s>0$, כאשר $s$ נאמדת על ידי שימוש באינפורמציה של פישר. חוקרים מתעניינים בדרך כלל בערך $OR=e^{\beta }$ שמפורש כיחס הסיכויים של $Y$ בהינתן $X$. מכיוון ש-$g(x)=e^x$ היא פונקציה רציפה שנגזרתה רציפה, נקבל כי לאמדן יחס הסיכויים $e^{\hat{\beta }}$ יש התפלגות אסימפטוטית נורמלית עם תוחלת $e^{\beta }$, ולאמוד את שגיאת תקן שלו על ידי $s{e}^{\hat{\beta }}$.

מכאן נוכל לקבל כי רווח סמך ברמת סמך $100(1-\alpha )\mathrm{\%}$ ליחס הסיכויים הוא $e^{\hat{\beta }}\pm Z_{\frac{\alpha }{2}}s{e}^{\hat{\beta }}$. כן נוכל לבדוק את ההשערה כי יחס הסיכויים שווה ל-1 על ידי הסטטיסטי $Z=\frac{e^{\hat{\beta }}-1}{s{e}^{\hat{\beta }}}$.

ראו גם

• רגרסיה לוגיסטית
• משפט הגבול המרכזי
• התכנסות בהתפלגות
• התכנסות בהסתברות
• משפט סלוצקי