辅助统计量

设想把同一实验在不同参数值下反复进行：若某个数据摘要的整张分布图始终相同，它就是辅助量。仅观察这个摘要，无法通过其似然区分参数；但把它与其他摘要合看，仍可能改变我们对参数的判断。

“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。

若 $X_1,\dots ,X_n$ 独立同分布于 $N(\mu ,{\sigma }^2)$，$\sigma >0$ 已知且 $n\ge 2$，最直接的辅助量是差值 $D=X_1-X_2$：写 $X_i=\mu +\sigma Z_i$，其中 $Z_i$ 独立标准正态，就有 $D=\sigma (Z_1-Z_2)\sim N(0,2{\sigma }^2)$，分布中的 $\mu$ 完全抵消。这里 $\sigma$ 已知，所以剩下的尺度并不是未知参数。若 $\sigma$ 也未知，这个差值就不再对完整参数辅助。

若希望同时消去位置与尺度，可以进一步观察残差方向。记残差向量

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

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。$R=\sigma (Z_1-\overline{Z},\dots ,Z_n-\overline{Z})$，归一化时正数 $\sigma$ 也被约去。因此 $U$ 的分布同时不依赖 $\mu$ 和 $\sigma$：即使两者都未知，方向仍是辅助量。这里消去的是分布中的参数，观测到的方向本身当然会随样本变化。

位置族中极差 $X_{(n)}-X_{(1)}$ 也不依赖位置参数，但在位置—尺度族中它等于标准化样本极差的 $\sigma$ 倍，通常不再辅助。与残差方向相比，关键区别就在于是否连尺度也已消去。

辅助量为何仍能帮助推断 ​

取两个独立观测，各自在 $\{\theta ,\theta +1,\theta +2\}$ 上等概率取值，$\theta$ 为整数。极差 $A=|X_1-X_2|$ 的分布由九个等可能有序样本给出：$P(A=0)=3/9$、$P(A=1)=4/9$、$P(A=2)=2/9$，完全不含 $\theta$。

若只知道样本中点为整数 $m$，可能的参数是 $m-2,m-1,m$。再得知 $A=2$，便知道两个观测为 $m-1,m+1$，于是只能有 $\theta =m-1$；若 $A=0$，三个候选仍都可能。极差单独不区分参数，却与中点一起确定了本次数据的辨别能力。

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。近似辅助性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理路充分统计量Sufficient statistic以参数无关的条件分布保留整个模型区分能力的数据压缩，并连接因子分解与决策等价。，独立性由Basu 定理理路Basu 定理Basu's theorem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，它属于条件辅助量，而不是本页的无条件辅助。多参数曲线子模型中，条件方向可能不唯一；声称“按辅助量条件化”时必须给出具体统计量与分布不变证明。

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，需要适当标准化、条件化或模拟校准。

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。