M1-081M1: 数学与统计基础置信区间与 BootstrapMedium
⚡闪卡盲测➔掌握度:
解释 delta method 与它的适用条件。
🎯 深度面试自测闭环(先口述或草拟,再核对解析)
免登录记录进度:核心结论回忆 → 避坑清单自查 → 标记掌握或加入错题队列。
Step 1 · 尝试用 1–2 句话回答这道题的核心结论与适用边界
Step 2 · 勾选已覆盖的陷阱与追问思考
📐 核心数学机理公式
⚡ 一句话直击要害答案
用一阶泰勒展开把统计量的方差近似为梯度×原方差;需要统计量可微且样本量足够。
📌 核心要点提炼
- •Var(g(θ̂))≈g'(θ)²·Var(θ̂)
- •多元形式用雅可比矩阵:∇gᵀΣ∇g
📐 数学机理与严密推导
delta method 的推导:对统计量 g(θ̂) 在真值 θ 处做一阶泰勒展开:g(θ̂)≈g(θ)+g'(θ)(θ̂−θ)。若 θ̂ 渐近正态(如 MLE),则 g(θ̂) 也渐近正态,方差为 Var(g(θ̂))≈[g'(θ)]²Var(θ̂)。多元形式:若 θ̂∈Rᵖ 渐近正态 N(θ,Σ/n),则 g(θ̂) 的方差为 ∇g(θ)ᵀΣ∇g(θ)/n,其中 ∇g 是梯度(雅可比)。直观理解:g 在小邻域内近似线性,故其波动幅度 = 原波动的幅度 × 局部斜率。适用条件:① g 在 θ 处可微且导数非零(否则一阶项消失,需二阶展开);② 样本量足够大(保证 θ̂ 已接近 θ,泰勒近似有效);③ θ̂ 渐近正态。
🏭 深度剖析与工业落地权衡
典型应用与局限:① 比率的方差——A/B 测试中 CTR=p̂=k/n 的方差用 delta method 得 Var(p̂)=p(1−p)/n(这是直接的二项方差);对比值型指标(如'人均消费 = 总消费/人数'、'CTR/CVR 之比'),delta method 给出 Var(R)≈R²(σ_x²/x̄²+σ_y²/ȳ²−2ρσ_xσ_y/(x̄ȳ)),是工业界计算比值指标方差的标准方法。② 对数变换的方差——Var(log θ̂)≈Var(θ̂)/θ̂²,这是对数正态推断的基础。③ 失效情形——(a) g'(θ)=0(如 g(θ)=θ² 在 θ=0 附近)时一阶项为 0,需用二阶 delta method(结果非正态,是卡方型);(b) 小样本下泰勒近似不准;(c) g 在边界不可微(如 max、绝对值)。④ 与 bootstrap 的取舍——delta method 快、有解析式,但依赖渐近正态与可微性;bootstrap 更通用(对任意统计量、非正态分布、小样本)但计算贵。实践中:先试 delta method,若指标复杂/重尾/小样本则用 bootstrap,并对比两者结果(差异大说明渐近近似不可靠)。⑤ 常见陷阱——对重尾指标(如人均消费)用 delta method 会低估方差(因为方差估计本身不稳定),此时 bootstrap 更可靠。
⚠️ 常见面试陷阱与高频失分点
- ✕对比值指标直接用二项方差(需 delta method 传播)
- ✕在 g'(θ)=0 处用一阶 delta method
🎯 面试官连环追问与延伸考察
- ?delta method 何时失效?
- ?与 bootstrap 的取舍?
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!
📚