Delta 方法

一阶推导 ​

由一阶 Taylor 展开公理库多元 Taylor 定理Multivariable Taylor theorem用各阶导数给出多元函数的局部多项式展开及余项控制。，

其中 $\Vert r(h)\Vert /\Vert h\Vert \to 0$。分布收敛蕴含 $r_n(T_n-\theta )=O_P(1)$，因而 $T_n\to \theta$ 依概率，并有

首项由线性连续映射传播 $Z$，余项再由 Slutsky 定理消失。这说明可微性需要统一余项控制，仅有各方向导数不足。

Bernoulli 样本比例满足

取 logit $g(p)={\log }^{p/(1-p)}$，导数为 $g^{\prime }(p)=1/[p(1-p)]$，故

若 $n=500,\hat{p}=0.4$，logit 估计约 $-0.405$，估计标准误为

先在 logit 坐标构造区间再反变换，会自然保持概率端点在 $(0,1)$ 内；直接对 $p$ 做对称区间是另一种渐近近似。

导数退化时 ​

若 $g^{\prime }(\theta )=0$，一阶 Delta 方法只给退化零极限。若标量 $g$ 二阶可微、$g^{\prime }(\theta )=0$ 且 $r_n(T_n-\theta )\Rightarrow Z$，则二阶展开给

例如 $T_n=\overline{X}$、$E[X]=0$、$\sqrt{n}\overline{X}\Rightarrow N(0,{\sigma }^2)$，取 $g(t)=t^2$，则

不是 $\sqrt{n}$ 尺度的正态极限。

边界与失败情形 ​

映射在参数点不可微时，普通 Delta 方法失效。$g(t)=|t|$ 在零点把正态极限变成折叠正态，需要方向可微 Delta 方法。

参数在边界时，$T_n$ 的原始极限本身可能非正态；不能先假定正态再传播。logit 导数在 $p\to 0,1$ 发散，也提示内部点近似不统一。

plug-in Jacobian $Dg(T_n)$ 替换 $Dg(\theta )$ 需要导数连续与 $T_n$ 一致。数值上导数巨大时，渐近方差会放大，有限样本近似可能很差。

比值给出必须保留协方差的多元例子：$g(a,b)=a/b$ 在 $b\ne 0$ 时梯度为 $(1/b,-a/b^2)$。若分子、分母由同一样本估计，渐近方差含交叉协方差；把两个标准误分别相除会漏掉依赖，并可能得到完全错误的尺度。

若映射 $g_n$ 随样本量变化，固定函数版本不能直接套用。增长维数、变化截断阈值或正则化强度都要求统一 Taylor 余项；形式上对每个 $n$ 可微，不保证 $r_n$ 倍余项仍依概率消失。

Delta 方法传播比值、对数、风险差和预测函数的标准误。多元情形保留协方差交叉项，不能只逐分量变换方差。

它提供一阶局部近似，不给有限样本偏差；曲率较强时可用二阶修正、Bootstrap公理库BootstrapBootstrap resampling · Nonparametric bootstrap从经验分布重复抽样，以条件重采样分布近似统计量真实抽样分布的方法。或直接枢轴方法核验。

Delta 方差的 plug-in 估计还需要原协方差估计一致。若 $Dg(\theta )$ 有非满秩，输出某些方向没有一阶波动，报告矩阵逆或标准化统计量前应先检查秩；二阶项可能在这些方向上成为主导。

对置信区间，先在线性化坐标构造再反变换，与直接在原坐标使用对称区间通常只首阶等价。有限样本端点、覆盖和不对称性可能不同，应根据参数空间和数值稳定性选择并说明。