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.
32 Kapitel 4: Asymptotik <strong>des</strong> ML-Schätzers<br />
wobei auch hier erneut die Form <strong>des</strong> Restglie<strong>des</strong> durch Bedingung (c) begründet ist. Da<br />
der ML-Schätzer den log-<strong>Likelihood</strong> in Θ maximiert und Θ offen ist, schließt man mit der<br />
Differenzierbarkeit <strong>des</strong> log-<strong>Likelihood</strong>s, dass <strong>für</strong> den ML-Schätzer ˆθ n gilt<br />
˙l n (ˆθ n ) = 0. (4.4)<br />
Nach der starken Konsistenz liegt ˆθ n <strong>für</strong> ausreichend großes n fast sicher in B θ (0). Folglich ist<br />
(4.3) anwendbar <strong>für</strong> ausreichend großes n mit θ = ˆθ n . (4.3) und (4.4) liefern zusammen<br />
a.s.<br />
− A n = +B n (ˆθ n − θ (0) )+ ‖ ˆθ n − θ (0) ‖ 2 O p (1). (4.5)<br />
Aus B n −→ −J (Lemma 4.2) und der Existenz von J −1 folgt mit der Stetigkeit der Determinante,<br />
dass auch Bn<br />
−1 <strong>für</strong> ausreichend großes n existiert und (4.5) lässt sich schreiben<br />
als<br />
(<br />
)<br />
1 + Bn −1 (ˆθ n − θ (0) ) T O p (1) √n(ˆθn − θ (0) ) = − √ nBn −1 A n ,<br />
was wiederum<br />
√ n (ˆθn − θ (0) )(1 + o p (1)) = − √ n Bn<br />
−1 A n<br />
impliziert. Mit den Resultaten aus Lemma 4.2, √ D<br />
a.s.<br />
nA n −→ N (0, J) und −Bn −→ J, und<br />
Slutsky’s Theorem (siehe A.3) ist die rechte Seite asymptotisch normalverteilt mit Erwartungswart<br />
0 und Kovarianzmatrix J −1 . Beachte hierbei, dass das Invertieren einer Matrix<br />
stetig ist. Somit gilt auch<br />
√ n (ˆθn − θ (0) )<br />
D −→ N (0, J −1 ).