Die asymptotische Verteilung des Likelihood-Quotienten-Tests für ...
Die asymptotische Verteilung des Likelihood-Quotienten-Tests für ...
Die asymptotische Verteilung des Likelihood-Quotienten-Tests für ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Kapitel 3<br />
Nicht-Unterlegenheitstests im<br />
2-Stichprobenfall unter<br />
Normalverteilung<br />
In diesem Kapitel werden unter der Annahme von zwei normalverteilten Stichproben Nicht-<br />
Unterlegenheitstests konstruiert, wobei die exakten <strong>Verteilung</strong>en der zugehörigen <strong>Tests</strong>tatistiken<br />
unter der Hypothese wie auch unter der Alternative bekannt sind. Somit können <strong>für</strong> die<br />
Planung einer klinischen Studie die optimalen Fallzahlaufteilungen auf die beiden Stichproben<br />
berechnet und die benötigten Fallzahlen bei zu erreichender Power angegeben werden.<br />
Eine optimale Fallzahlaufteilung ist gegeben, wenn keine andere Aufteilung der Fallzahlen<br />
eine bessere Power bei gleicher Gesamtfallzahl aufweist. Im Abschnitt 3.3.1 werden Approximationen<br />
<strong>für</strong> die Fallzahlformeln aufgeführt, <strong>für</strong> den Fall, dass die exakten Formeln mangels<br />
entsprechender Software nicht angewandt werden können.<br />
3.1 Modell und Hypothesen<br />
Es werden zwei normalverteilte Stichproben betrachtet. <strong>Die</strong> Varianzen werden als homogen<br />
angenommen, d.h. die Varianzen in den beiden Gruppen sind identisch. <strong>Die</strong>se Voraussetzung<br />
ist a priori nicht immer gegeben und sollte zunächst durch einen Test überprüft werden. Im<br />
Fall von homogenen Varianzen kann der Vergleich zweier Gruppen jedoch auf den Vergleich<br />
der Mittelwerte reduziert werden, d.h. der Äquivalenzparameter, der die ”<br />
Differenz“ zwischen<br />
den Gruppen beschreibt, kann durch einen Term der Diskrepanz der Mittelwerte definiert<br />
werden. <strong>Die</strong>ses ermöglicht eine bedeutend einfachere Interpretation der Ergebnisse als im Fall<br />
heterogener Varianzen.<br />
Seien<br />
und<br />
X R1 , . . . , X RnR<br />
i.i.d.<br />
∼ N(µ R , σ 2 )<br />
X T 1 , . . . , X T nT<br />
i.i.d.<br />
∼ N(µ T , σ 2 )<br />
17