Вы считаете среднее по наблюдениям, которые сильно зависимы во времени (например, дневные метрики с автокорреляцией). Что наиболее корректно сказать про интуицию SE ~ 1/√n и применение CLT?
AЗависимость не влияет: достаточно увеличить
n, и SE будет падать так же быстроB
CLT означает, что зависимость исчезает сама при росте nCСильная зависимость уменьшает эффективный размер выборки, поэтому
SE может падать медленнее и нужно учитывать корреляции при выводахDПри зависимости
SE обязательно становится равной 0Правильный ответ. При зависимости эффективный
n меньше, поэтому стандартные формулы для SE и интуиция CLT могут требовать поправок.Разбор
Если наблюдения коррелируют, то новая точка приносит меньше новой информации, чем в независимом случае. Тогда реальная неопределённость среднего может быть больше, чем подсказывает наивная формула SE = σ/√n. CLT в простом виде предполагает независимость (или близкие к этому условия), поэтому при временных рядах нужны специальные методы или аккуратные допущения. Типичная ошибка — считать тысячи коррелированных точек как 'тысячи независимых наблюдений'.
Проверь себя · 1/3разбор после ответа
Есть n независимых наблюдений с дисперсией
σ^2. Как корректно описать, как меняются дисперсии статистик S=ΣXi и x̄ при росте n?Ещё вопросы по теме «Случайные величины и выборочные распределения»
- Вы посчитали `выборочное среднее` `x̄` по случайной выборке пользователей. Как корректно трактовать `x̄`?
- Вы 1000 раз берёте случайные выборки размера n из одной популяции и каждый раз считаете `x̄`. Что из перечисленного является `sampling distribution` для `x̄`?
- Если стандартная ошибка среднего подчиняется приближению `SE ~ 1/√n`, как изменится `SE`, если размер выборки увеличится с 400 до 1600 (при том же разбросе данных)?
- Что утверждает `CLT` (интуитивно) про `выборочное среднее` `x̄` при достаточно большом `n`?
- Что корректнее всего отличает стандартное отклонение данных от стандартной ошибки среднего `SE`?
- Все вопросы по «Случайные величины и выборочные распределения» →