估计量的一致性

一致性只保证估计值最终聚集到正确目标，没有说明聚集速度、极限形状或有限样本风险。把样本量逐渐增大想象成不断收紧的概率云：一致性说任意固定半径之外的质量趋于零，云团内部怎样收缩则留给收敛率和渐近分布回答。

三条常见证明路线 ​

直接路线用概率不等式控制误差。若偏差趋零且方差趋零，Chebyshev 不等式理路Chebyshev 不等式Chebyshev's inequality随机变量偏离均值至少给定距离的概率由方差除以距离平方控制。给出弱一致；这只是便捷的充分条件，一致估计量无需有限方差，也无需在每个 $n$ 无偏。

代入路线先用大数律理路强大数定律Law of large numbers · Strong law of large numbers · SLLN独立同分布且可积时，样本均值沿几乎每条无限样本路径收敛到共同期望。证明样本摘要 $T_n\to t(\theta )$，再由连续映射推出 $h(T_n)\to h(t(\theta ))=g(\theta )$。这条路线同时暴露两个必要检查：$h$ 在极限点连续，且 $t(\theta )$ 足以识别目标。

极值估计路线令

若 $M_n$ 在参数空间上一致逼近确定函数 $M$，$M$ 在 ${\theta }_0$ 具有分离的唯一极小点，并能控制近似极小解逃向无穷或边界，就可推出 argmin 一致性。仅有每个固定 $\theta$ 的逐点收敛，通常不足以交换“取极小”与“取极限”。

若独立同分布的传感器读数满足 ${\mathbb{E}}_{\theta }|X_1|<\mathrm{\infty }$，强大数律给出

所以样本均值强一致估计总体平均水平。若进一步有有限方差，

给出弱一致以及一条显式但可能较松的有限样本上界。第一条结论只需一阶矩，第二条证明更短却用了更强的二阶矩假设。

在 Uniform$(0,\theta )$ 端点模型中，$M_n=\underset{i}{max}{X}_i$ 满足对 $0<\epsilon <\theta$，

它的误差只可能落在端点下方，且尾概率按指数速度消失。$M_n$ 在每个有限样本下都有偏，却仍一致；这个例子也预告支持集依赖参数时可能出现 $n$ 而非 $\sqrt{n}$ 的误差尺度。

连续 plug-in 保持一致性：${\hat{\theta }}_n\to \theta$ 依概率且 $h$ 在 $\theta$ 连续时，$h({\hat{\theta }}_n)\to h(\theta )$。逆问题还需可识别性理路统计模型的可识别性Identifiability of a statistical model · Parameter identifiability观测分布能否唯一决定参数或目标，以及对称、观测机制与弱识别造成的边界。与局部连续逆；一项对 ${\theta }^2$ 的一致估计在未限制符号时不能恢复 $\theta$。

边界与失败情形 ​

无偏不蕴含一致。若每个 $n$ 都只保留第一条观测 ${\hat{\mu }}_n=X_1$，其期望始终正确，抽样波动却没有随新增数据缩小，固定误差半径外的概率也不会消失。

一致也不提供有限样本速度。两个规则都可最终靠近真值，却在实际样本规模下差异巨大；集中不等式、风险界或渐近分布才负责量化精度。

模型若把同一数据分布映到两个不同目标值，同一统计量序列不可能在该分布下收敛到两个常数。模型失配时，极值估计量还可能稳定地收敛到准则的伪真参数；“收敛得很稳”本身不能证明科学目标正确。

风险趋零常可由 Markov 不等式推出相应一致性，反向却需要一致可积性或尾部控制。极小概率下的巨大误差可以不妨碍依概率收敛，同时让均方误差上升。

例如令误差 $E_n=n$ 的概率为 $1/n$、其余时候为零。任意固定阈值的超越概率都是 $1/n$，故 $E_n\to 0$ 依概率；然而 $\mathbb{E}[E_n^2]=n$ 发散。这条轨迹精确展示了尾部质量虽消失、尾部幅度却增长得更快的失败机制。

一致性给出无限数据下的中心定位，是研究渐近正态性理路估计量的渐近正态性Asymptotic normality of estimators估计误差在明确中心、速率与协方差下趋于正态律，以及线性化、标准化和边界失效机制。与渐近置信区间理路置信区间Confidence interval · Confidence set以重复抽样覆盖率校准参数区间，并从正态枢轴与二项等尾检验反演算出有限样本端点。的常见第一步。无偏、效率、鲁棒性和计算可达性仍是独立性质；某些渐近分布结论会自动蕴含一致性，但证明时依然应明确其参数量词。

审查一项一致性声明时，可以沿四个接口核对：概率由哪个 $P_{\theta }^{(n)}$ 计算，参数固定还是随 $n$ 移动，结论点态还是统一，目标空间使用哪种距离。缺少其中任何一项，“更多数据会得到真值”都还不是可验证的数学命题。

把极值路线写成可检查条件 ​

上述极值路线的完整保证见Argmin 一致性定理理路Argmin 一致性定理Argmin consistency theorem用总体分离、随机一致逼近和近似求解容差，把样本准则的极小点定位到总体目标。：它将每个固定误差半径的分离裕度，与两次随机准则误差和一次近似求解误差比较。参数化一致大数律理路参数化一致大数律Parametric uniform law of large numbers用紧参数集和可积随机 Lipschitz 界，把逐点大数律提升为同一样本上的全参数控制。再给出紧参数、可积随机 Lipschitz 条件下的有限网证明，说明如何获得所需的一致逼近。