Hukum Bilangan Besar vs Teorema Limit Pusat
Bandingkan konvergensi rata-rata sampel dengan distribusi fluktuasinya, termasuk hukum lemah dan kuat, penskalaan, dependensi, ergodisitas, serta interpretasi keuangan
Jawaban langsung
Hukum Bilangan Besar menyatakan bahwa rata-rata sampel mendekati mean populasi di bawah kondisi yang sesuai. Teorema Limit Pusat menggambarkan galat acak yang diskalakan di sekitar limit tersebut dan sering memberikan aproksimasi normal. Hukum Bilangan Besar mengidentifikasi ke mana rata-rata menuju; CLT menggambarkan bagaimana rata-rata berfluktuasi dalam perjalanannya
Teorema tersebut menjawab pertanyaan berbeda
Untuk observasi X_1,…,X_n dengan mean μ, rata-rata sampelnya adalah X̄_n=n^(−1)Σ_iX_i
Hukum Bilangan Besar menanyakan apakah X̄_n mendekati μ ketika n bertambah, sedangkan CLT menanyakan distribusi limit dari perbedaan yang diskalakan seperti √n(X̄_n−μ)
Konvergensi ke nilai yang benar tidak dengan sendirinya memberikan laju galat, bentuk, interval kepercayaan, atau aproksimasi sampel berhingga yang berguna
Hukum lemah menggunakan konvergensi dalam probabilitas
Hukum Bilangan Besar lemah menyatakan P(|X̄_n−μ|>ε)→0 untuk setiap ε>0 di bawah asumsi yang dinyatakan
Pernyataan itu berarti probabilitas galat berukuran tetap menghilang, bukan bahwa setiap lintasan terealisasi akhirnya selalu dekat selamanya
Untuk observasi iid, ekspektasi berhingga cukup untuk hukum lemah yang luas, sementara pembuktian varians sederhana sering mengasumsikan varians berhingga
Hukum kuat adalah pernyataan sepanjang lintasan
Hukum Bilangan Besar kuat menyatakan X̄_n→μ hampir pasti, artinya konvergensi berlaku untuk semua hasil di luar satu himpunan berprobabilitas nol
Konvergensi hampir pasti menyiratkan konvergensi dalam probabilitas, tetapi kebalikannya tidak benar tanpa struktur tambahan
Hukum kuat tetap asimtotik dan tidak menentukan seberapa besar n yang diperlukan untuk toleransi keputusan tertentu
CLT memperbesar galat yang tersisa
Untuk variabel iid dengan varians positif berhingga σ², √n(X̄_n−μ)/σ konvergen dalam distribusi ke N(0,1)
Faktor √n mencegah galat yang menyusut runtuh menjadi nol dan menampilkan bentuk limit yang nondegenerat
Hukum Bilangan Besar dapat berlaku ketika CLT klasik gagal, termasuk pada ekor berat ketika mean ada tetapi varians tidak ada
Dependensi memerlukan lebih dari sejarah panjang
Proses stasioner ergodik dapat memenuhi Hukum Bilangan Besar, sedangkan CLT juga memerlukan pengendalian dependensi dan fluktuasi yang memadai
Deret waktu keuangan dapat mengubah mean, varians, eksposur, likuiditas, dan rezim, sehingga satu catatan panjang belum tentu berperilaku seperti pengambilan berulang dari satu hukum
Lebih banyak observasi dari klaster krisis atau rezim usang yang sama dapat menambahkan informasi efektif lebih sedikit daripada yang ditunjukkan jumlah barisnya
Diversifikasi menggunakan logika terkait tetapi terpisah
Shock idiosinkratik rata-rata dapat menjadi stabil di antara banyak posisi yang cukup lemah dependensinya, mencerminkan efek yang mirip Hukum Bilangan Besar
Faktor bersama, dependensi ekor, bobot terkonsentrasi, dan gagal bayar berkorelasi tidak menghilang hanya karena portofolio memiliki banyak nama
Demikian pula, return rata-rata jangka panjang tidak dijamin mengungkap return ekspektasian permanen ketika opportunity set itu sendiri berubah
Inferensi praktis memerlukan kedua diagnostik
Plot mean berjalan dan estimasi subsampel, lalu periksa dependensi, perubahan struktural, momen ekor, dan ukuran sampel efektif
Gunakan standard error yang dibenarkan oleh CLT atau skema resampling yang relevan, bukan memperlakukan konvergensi mean sebagai estimasi ketidakpastian
Laporkan estimand, asumsi konvergensi, horizon, pita galat, dan sensitivitas terhadap jendela atau rezim sebelum menggunakan salah satu teorema
Pertanyaan umum
Apa perbedaan utama Hukum Bilangan Besar dan CLT?
Hukum Bilangan Besar membahas konvergensi rata-rata ke target; CLT membahas distribusi penyimpangan yang diskalakan di sekitar target itu
Apakah Hukum Bilangan Besar memerlukan data normal?
Tidak. Hukum ini berlaku jauh melampaui distribusi normal di bawah kondisi momen dan dependensinya
Dapatkah Hukum Bilangan Besar berlaku ketika CLT gagal?
Ya. Mean berhingga dapat memungkinkan konvergensi rata-rata meskipun varians tak hingga mencegah CLT normal klasik
Apakah lebih banyak data keuangan selalu membuat estimasi andal?
Tidak. Dependensi, perubahan rezim, kualitas data, dan target yang tidak stabil dapat membuat informasi efektif jauh lebih kecil daripada jumlah observasi