Exponential convergence properties of linear estimators under exponential and uniform distribution

Summary

Certain measures of asymptotic efficiency of test statistics are based on exponential convergence properties of the underlying error probabilities (Bahadur-, Hodges-Lehmann-efficiency). From a general large deviation theorem, that is specified to weighted sums of independent identically distributed (i.i.d.) random variables, such exponential convergence properties are derived for test statistics which are linear functions of order statistics of i.i.d. random variables under exponential and uniform distribution. For that purpose some ‘smoothness’-conditions for the weights have to be established. In a series of examples it is shown that these conditions are fulfilled for certain ‘robust’ linear estimators of location or scale parameters. With the help of some numerical results two of them, namely Winsorized and trimmed mean, are compared with regard to the asymptotic relative efficiency against each other.

Zusammenfassung

Bestimmte asymptotische Effizienzbegriffe für Tests basieren auf einem exponentiellen Konvergenzverhalten der zugrundeliegenden Fehlerwahrscheinlichkeiten (Bahadur-, Hodges-Lehmann-Effizienz). Mit Hilfe eines allgemeinen Satzes üver Wahrscheinlichkeiten großer Abweichungen, der spezialisiert wird auf gewichtete Summen unabhängiger, identisch verteilter (i.i.d.) Zufallsvariablen mit momenterzeugenden Funktionen, wird ein solches exponentielles Konvergenzverhalten nachgewiesen für Linearkombinationen von ‘order statistics’ von i.i.d. Zufallsvariablen unter Exponential- und Rechteckverteilung. Dazu sind bestimmte Bedingungen an die Gewichte zu stellen. In einigen Beispielen wird gezeigt, daß solche Gewichtsbedingungen für eine Reihe von ‘robusten’ Schätzern erfüllt sind. Zwei spezielle, nämlich das Winsorisierte und getrimmte Mittel, werden mit Hilfe einiger numerischer Ergebnisse hinsichtlich ihrer asymptotischen Effizienz miteinander verglichen.