漸近理論の基礎：フィッシャー情報量・MLE漸近正規性・デルタ法

このモジュールで学ぶこと コインを100回投げると、表の比率 は真の確率 に近くなります——でも「どのくらい近いか」「分布はどんな形か」まで答えるには何が必要でしょうか。「サンプルが多くなると推定量はどんな性質を持つか」「推定量を変換したとき精度はどう変わるか」——これらを理論化したのが漸近理論です。このモジュールではフィッシャー情報量・MLE の漸近正規性・デルタ法の3本柱を学びます。 「大きなサンプルでの振る舞い」を理論化する 現実のデータは有限サンプルですが、 の極限での性質（漸近的性質）を知ることで、有限サンプルでも近似的に使える強力な道具が得られます。この理論によって、「推定の精度は何で決まるか」「どの推定量が最も優れているか」が厳密に議論できます。 フィッシャー情報量 「点推定の理論」でクラーメル・ラオの不等式を学びました。そこに登場したフィッシャー情報量（Fisher Information）をより深く見ていきます。 （デル）は偏微分記号で、「複数の変数を持つ関数を1つの変数だけに着目して微分する操作」を表します。2つの表現は等価です（右側は2階偏微分で計算しやすいことが多い）。 情報量の意味：対数尤度関数の「曲がり具合」を測ります。対数尤度が急峻な山形になる（曲率が大きい）ほど の位置が鋭く特定でき、 が大きくなります。 個の独立な観測値のフィッシャー情報量は （加法性）。これが標準誤差 の根拠です。 最尤推定量の漸近正規性 最尤推定量（MLE） は大標本で次の漸近分布を持ちます： または等価に 。 これが「MLE は漸近有効」と言われる理由——大標本極限でクラーメル・ラオの下限を達成します。この性質を使うと、複雑なモデルでも MLE の標準誤差や信頼区間を近似計算できます。 試験頻出：MLE の漸近分散は ——フィッシャー情報量の逆数。パラメータが複数のとき（ 次元）は情報行列の逆行列が漸近分散共分散行列になります。 デルタ法 「 の漸近分布がわかっているとき、（ の関数）の漸近分布はどうなるか？」に答えるのがデルタ法（Delta Method）です。 が微分可能なら： 例：標本比率 の対数オッズ の分散は？、 なので漸近分散は 。 多変量版： の漸近分散共分散行列は （ はヤコビアン行列＝各成分が の偏微分からなる行列、 は の漸近分散共分散行列）。