关于渐近无偏性是否为相合性必要条件的疑问及反例寻求

嘿，你的直觉完全正确——渐近无偏性并不是相合性（依概率收敛）的必要条件！我来给你举个直观又严谨的反例，帮你彻底搞清楚这两个概念的关系。

首先先明确两个核心定义：

• 相合性：估计量$T_n$依概率收敛到$\theta$，即对任意$\epsilon>0$，$\lim_{n\rightarrow\infty} P(|T_n - \theta| > \epsilon) = 0$，简单说就是随着样本量增大，$T_n$大概率会非常接近$\theta$。
• 渐近无偏性：$\lim_{n\rightarrow\infty} E[T_n] = \theta$，也就是估计量的期望极限等于真实参数。

这俩确实没有必然的推导关系，我们直接构造一个相合但不渐近无偏的估计量：

假设我们有独立同分布的样本$X_1,X_2,...,X_n$，其中每个$X_i \sim N(\theta,1)$（其实换成任意期望为$\theta$的分布都可以）。现在构造估计量：
$$T_n = X_n + Y_n$$
这里的$Y_n$是一个和$X_n$独立的随机变量，满足：
$$P(Y_n = n) = \frac{1}{n}, \quad P(Y_n = 0) = 1 - \frac{1}{n}$$

接下来我们分别验证相合性和渐近无偏性：

• 验证相合性：
  对于任意$\epsilon>0$，我们可以把$P(|T_n - \theta| > \epsilon)$拆成两部分：
  $$P(|T_n - \theta| > \epsilon) \leq P(Y_n = n) + P(|X_n - \theta| > \epsilon)$$
  其中$P(Y_n = n) = \frac{1}{n}$，当$n\rightarrow\infty$时这个概率趋于0；而$X_n$本身依概率收敛到$\theta$，所以$P(|X_n - \theta| > \epsilon)$也趋于0。两者相加的极限是0，因此$T_n$满足相合性的定义。

• 验证不渐近无偏：
  计算$T_n$的期望：
  $$E[T_n] = E[X_n] + E[Y_n] = \theta + \left(n \cdot \frac{1}{n} + 0 \cdot (1 - \frac{1}{n})\right) = \theta + 1$$
  当$n\rightarrow\infty$时，$E[T_n]$的极限是$\theta+1$，显然不等于$\theta$，所以$T_n$不是渐近无偏的。

你看，这个例子就完美证明了：即使$ET_n$不收敛到$\theta$，$T_n$依然可以是相合的。本质上，相合性关注的是估计量的概率分布集中到真实值附近，而渐近无偏性关注的是期望的极限，前者并不要求后者必须成立——毕竟只要“异常偏离”的概率足够小，哪怕期望一直有偏移，也不影响估计量大概率靠近真实值。

备注：内容来源于stack exchange，提问作者zaira