Die asymptotische Verteilung des Likelihood-Quotienten-Tests für ...
Die asymptotische Verteilung des Likelihood-Quotienten-Tests für ...
Die asymptotische Verteilung des Likelihood-Quotienten-Tests für ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
12 Kapitel 2: Notationen und Grundlagen<br />
2.3 <strong>Likelihood</strong>-<strong>Quotienten</strong>-Prinzip<br />
Das <strong>Likelihood</strong>-<strong>Quotienten</strong>-Prinzip stellt <strong>für</strong> parametrische Familien von <strong>Verteilung</strong>en eine<br />
Methode bereit, um auf Parameterkonstellationen zu testen. Ein LQ-Test <strong>für</strong> unabhängig,<br />
identisch verteilte Zufallsvariablen lässt sich wie folgt konstruieren. X 1 , . . . , X n seien unabhängige,<br />
identisch verteilte Zufallsvariablen mit Dichte f im stetigen Fall, bzw. Wahrscheinlichkeitsfunktion<br />
f im diskreten Fall. Angenommen, f hängt vom Parameter θ ∈ R d<br />
ab, dann ist die <strong>Likelihood</strong>funktion <strong>für</strong> feste Stichprobe x 1 , . . . , x n gegeben durch<br />
L n (θ) =<br />
n∏<br />
f(x i , θ).<br />
i=1<br />
Es sei ein Testproblem H 0 : θ ∈ Θ 0 vs. H 1 : θ ∈ Θ 1 mit disjunkter Hypothese und Alternative<br />
und Θ = Θ 0 ∪ Θ 1 angenommen, dann ist der <strong>Likelihood</strong>-Quotient gegeben durch<br />
λ n = sup θ∈Θ 0<br />
L n (θ)<br />
sup θ∈Θ L n (θ) .<br />
Im Folgenden wird λ = λ 1 verwendet. Wenn der unbekannte wahre Wert im Parameterraum<br />
der Hypothese liegt, wird der <strong>Likelihood</strong>-Quotient <strong>für</strong> wachsen<strong>des</strong> n gegen 1 gehen,<br />
sonst gegen 0. Somit kann der <strong>Likelihood</strong>-Quotient als konsistente <strong>Tests</strong>tatistik <strong>für</strong> das oben<br />
genannte Testproblem verwendet werden. In einigen Fällen kann die exakte <strong>Verteilung</strong> <strong>des</strong><br />
<strong>Likelihood</strong>-<strong>Quotienten</strong> unter der Hypothese bestimmt werden. In anderen Fällen bestimmt<br />
man die <strong>asymptotische</strong> <strong>Verteilung</strong> von −2 log λ n . Hierbei ist die Approximation durch die<br />
<strong>asymptotische</strong> <strong>Verteilung</strong> <strong>für</strong> kleine Stichproben zu überprüfen, ob diese zu zufrieden stellenden<br />
Ergebnissen führen, d.h. das Niveau also eingehalten wird.<br />
Das <strong>Likelihood</strong>-<strong>Quotienten</strong>-Prinzip überträgt sich in analoger Weise auf k unabhängige Stichproben.<br />
<strong>Die</strong> <strong>Likelihood</strong>funktion ist dann das Produkt der <strong>Likelihood</strong>funktionen der einzelnen<br />
Stichproben und der Hypothesenraum ist Teilmenge <strong>des</strong> gemeinsamen Parameterraumes.<br />
Beispiel 2.2 (Normalverteilung). Seien die Beobachtungen multivariat normal verteilt<br />
mit Erwartungswert θ ∈ R d und bekannter Kovarianzmatrix Σ. Der empirische Mittelwert ¯X<br />
ist nach Brown (1986, Kapitel 1) eine suffiziente Statistik <strong>für</strong> θ. Da ¯X ∼ N (θ, n −1 Σ) gilt, ist<br />
es somit ausreichend, den Fall mit Stichprobenumfang 1 zu behandeln. Sei also x Beobachtung<br />
von X ∼ N (θ, Σ), dann gilt<br />
P Θ (x) := sup<br />
θ∈Θ<br />
(2π) −d/2 (det Σ) −1/2 e − 1 2 (x−θ)T Σ −1 (x−θ)<br />
= (2π) −d/2 (det Σ) −1/2 e −K Θ(x)/2 ,<br />
wobei K Θ (x) = inf θ∈Θ (x − θ) T Σ −1 (x − θ). Deshalb erhält man folgende vereinfachte Darstellung<br />
<strong>für</strong> den <strong>Likelihood</strong>-<strong>Quotienten</strong><br />
−2 log λ(x) = −2 log P Θ 0<br />
(x)<br />
P Θ (x)<br />
= K Θ0 (x) − K Θ (x).