辅助统计量

形式陈述 ​

在统计模型 $\{P_{\theta }:\theta \in \mathrm{\Theta }\}$ 中，统计量 $A(X)$ 称为辅助统计量，若存在不依赖 $\theta$ 的概率分布 $Q$，使对每个可测集 $B$ 与每个 $\theta$，

$$P_{\theta }(A\in B)=Q(B).$$

辅助性要求整个抽样分布无参数，不只是均值、方差或某个矩不含参数。它也相对于所选模型和参数空间：扩大、缩小参数空间或改变哪些量被视为固定设计，都会改变辅助性判断。

直觉 ​

辅助量描述样本中的随机几何、排列或尺度形状，但其分布不随待估参数移动。它不提供该参数的直接证据，却能记录一次实验“碰巧处在怎样的精度或构型中”，因此常用于条件推断和模型检查。

“不含参数”不等于“没有信息”或“可以丢弃”。辅助量可能对目标参数无边际分布信息，却揭示模型失配、异常形状或本次样本条件下的变异程度。

例子 ​

若 $X_1,\dots ,X_n\sim N(\mu ,{\sigma }^2)$，$\sigma >0$ 已知且 $n\ge 2$，记残差向量

$$R=(X_1-\overline{X},\dots ,X_n-\overline{X}).$$

取固定单位向量 $u_0=(1,-1,0,\dots ,0)/\sqrt{2}$，并把残差方向定义为

$$U=\{\begin{array}{ll}R/\Vert R{\Vert }_2,& \Vert R{\Vert }_2>0,\\ u_0,& \Vert R{\Vert }_2=0.\end{array}$$

零残差事件在连续正态模型下概率为零，但指定 $u_0$ 仍有必要：统计量必须处处有定义。$U$ 的分布不依赖位置参数 $\mu$，所以它是辅助量；它保留样本形状，却不携带位置参数信息。

位置族中极差 $X_{(n)}-X_{(1)}$ 也不依赖位置参数。把模型扩大为正态位置—尺度族、让 $\mu ,\sigma$ 都未知时，样本经平移和正缩放后的方向或 maximal invariant 仍可辅助，但必须重新对扩大后的参数空间证明分布不变。

边界 ​

某个矩不含参数不足以推出辅助，因为分布的其他部分仍可变化。固定设计回归中的设计量不是随机变量；随机设计下，其分布可能含协变量模型参数。近似 ancillary 只表示高阶参数依赖较弱，不能产生精确的分布不变或独立结论。

位置族的极差与样本均值也不普遍独立。辅助只控制 $A$ 自身的边际分布，不自动给它与其他统计量的联合分解。若还存在完备充分统计量，独立性由Basu 定理公理库Basu 定理Basu's theorem · 辅助统计量与 Basu 定理完备充分统计量与任意辅助统计量在模型的每个参数值下相互独立。给出。

若 $A$ 只在给定另一统计量 $T$ 后分布无参数，它属于 conditional ancillary，而不是本页的无条件辅助。多参数 curved 模型中，条件方向可能不唯一；声称“按 ancillary 条件化”时必须给出具体统计量与分布不变证明。

推论与应用 ​

辅助量可用于参数无关的模型检查：因为零分布无需代入待估参数，可以直接校准异常形状。若用估计参数后的普通残差替代精确辅助量，其分布常仍受拟合影响，需要 studentization、条件化或 simulation envelope。

条件似然方法会固定辅助量，再分析保留统计量的条件分布，以控制一次实验中随机出现的精度差异。但条件化是否缩短区间或改善高阶覆盖是额外性质，辅助性本身不自动选择“最佳”条件原则。

参考资料

• Erich L. Lehmann and George Casella, Theory of Point Estimation, 2nd ed., Springer, 1998，ancillary statistics。
• George Casella and Roger L. Berger, Statistical Inference, 2nd ed., Duxbury, 2002，ancillarity and conditioning。