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.
3.2 LQ-Test und t-Statistiken 19<br />
Auf dem Rand der Hypothese (δ md = ∆) folgt die <strong>Tests</strong>tatistik T d einer zentralen t-<strong>Verteilung</strong><br />
mit n R + n T − 2 Freiheitsgraden. <strong>Die</strong> Hypothese H 0 : δ md ≥ ∆ in (3.1) wird zum Niveau α<br />
<strong>für</strong><br />
T d < (t nR +n T −2) α<br />
verworfen, wobei (t m ) α das α-Quantil einer zentral t-verteilten Zufallsvariable mit m Freiheitsgraden<br />
ist. Der vorliegende Test ist äquivalent zum <strong>Likelihood</strong>-<strong>Quotienten</strong>-Test, da <strong>für</strong><br />
¯x R −¯x T < ∆ die <strong>Likelihood</strong>-<strong>Quotienten</strong>-Statistik <strong>für</strong> δ md eine strikt monotone Transformation<br />
von T d ist,<br />
λ n = sup ϑ∈Θ 0<br />
L n (ϑ)<br />
sup ϑ∈Θ L n (ϑ)<br />
=<br />
=<br />
[<br />
1 + n Rn T (x R − x T − ∆) 2<br />
n R + n T<br />
[<br />
1 +<br />
T 2 d<br />
n R + n T − 2<br />
(n R + n T − 2)s 2 p<br />
] −<br />
n R +n T<br />
2<br />
.<br />
] −<br />
n R +n T<br />
2<br />
Testen <strong>des</strong> <strong>Quotienten</strong> δ mr<br />
Verwendet man <strong>für</strong> µ T ≠ 0 den <strong>Quotienten</strong> δ mr als Abstandsmaß, kann gezeigt werden, dass<br />
der <strong>Likelihood</strong>-<strong>Quotienten</strong>-Test ebenfalls äquivalent zum t-Test ist. <strong>Die</strong> <strong>Tests</strong>tatistik<br />
T r =<br />
x R − ∆x<br />
√ T<br />
∼ t nR +n T −2,ncp r<br />
,<br />
1<br />
s p n R<br />
+ ∆2<br />
n T<br />
ist nicht-zentral t-verteilt mit n R + n T − 2 Freiheitsgraden und Nichtzentralitätsparameter<br />
ncp r =<br />
µ R − ∆µ<br />
√ T<br />
= δ mr − ∆<br />
√ . (3.3)<br />
1<br />
σ<br />
n R<br />
+ ∆2 σ 1<br />
n T µ T n R<br />
+ ∆2<br />
n T<br />
Für δ mr = ∆ vereinfacht sich die <strong>Verteilung</strong> zur zentralen t-<strong>Verteilung</strong>. Somit wird die Hypothese<br />
H 0 : δ mr ≥ ∆ zum Niveau α <strong>für</strong><br />
verworfen.<br />
T r < (t nR +n T −2) α<br />
<strong>Die</strong> <strong>Tests</strong>tatistik T d ist bezüglich Shifts invariant ist, d.h. wenn auf die Daten der Stichproben<br />
eine Konstante addiert wird, bleibt die Testentscheidung invariant. Weiter ist die<br />
<strong>Tests</strong>tatistik bezüglich Reskalierung ebenfalls invariant, vorausgesetzt, das Testproblem ist<br />
entsprechend reskaliert. Das bedeutet, dass die Testentscheidung invariant bleibt, wenn die<br />
Beobachtungen statt in x in Einheiten c · x gemessen werden und die Hypothese mit Nicht-<br />
Unterlegenheitsmarge c · ∆ umgeschrieben wird. Ein entscheidender Aspekt, der gegen die<br />
Verwendung von T r als <strong>Tests</strong>tatistik spricht, besteht darin, dass bei T r Veränderungen in der<br />
Lokation, also Shifts der Daten, zu unterschiedlichen Testergebnissen führen können. Wenn<br />
µ T nahe null ist, treten außerdem numerische Instabilitäten auf, d.h. kleine Messfehler von<br />
¯X T beeinflussen das Testergebnis stark.