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.
4.3. Eingeschränkter ML-Schätzer 35<br />
4.3 Asymptotik <strong>des</strong> eingeschränkten ML-Schätzers<br />
Es wird der auf eine Menge M ⊆ R kd eingeschränkte ML-Schätzer betrachtet. Konvergiert<br />
dieser in Wahrscheinlichkeit gegen einen Punkt θ ∗ ∈ M, so gibt Theorem 4.6 unter geeigneten<br />
Regularitätsbedingungen die Konvergenz mit Rate √ n. Als Spezialfall erhält man mit<br />
θ ∗ = θ (0) Korollar 4.8, das unter den Regularitätsbedingungen R <strong>für</strong> einen konsistenten<br />
ML-Schätzer automatisch die √ n-Konsistenz dieses Schätzer liefert. Korollar 4.8 wurde <strong>für</strong><br />
den 1-Stichprobenfall bereits von Chernoff (1954) formuliert. Allerdings führt er nur eine<br />
Beweisskizze an. Theorem 4.6 stellt eine Verallgemeinerung auf den k-Stichprobenfall und<br />
θ ∗ ≠ θ (0) dar. Insbesondere muss somit der wahre Wert θ (0) <strong>des</strong> Parameters θ nicht in der<br />
Menge M liegen.<br />
Theorem 4.6. Der k-Stichprobenfall sei gegeben, θ ∗ = (θ1 ∗, . . . , θ∗ k ) ∈ M ⊆ Rkd und es gelte<br />
P<br />
→ θ ∗ . Weiter seien die nachstehenden Bedingungen erfüllt:<br />
ˆθ M n<br />
(i) <strong>Die</strong> Bedingung F ist erfüllt mit n i<br />
n = c i + o(1/ √ n).<br />
(ii) Für i = 1, . . . , k existieren die partiellen Ableitungen von f i (x, θ i ) bezüglich θ i und sind<br />
stetig.<br />
(iii) Es existiert eine Funktion K(x) mit E θ (0)K(X) < ∞, so dass die Norm von d/dθ W (x, θ)<br />
gleichmäßig in einer Umgebung von θ ∗ durch K(x) beschränkt ist.<br />
[ ] 2<br />
(iv) Für i = 1, . . . , k existiert E (0) d/dθi θ<br />
log f i (X i1 , θ i )| θi =θi<br />
∗ und <strong>für</strong><br />
i<br />
[ ] T<br />
µ i := E (0) d/dθi θ<br />
log f i (X i1 , θ i )| θi =θi<br />
∗ gilt<br />
i<br />
k∑<br />
c i µ i (ˆθ i, M n − θi ∗ ) =<br />
i=1<br />
(v) Für i = 1, . . . , k existiert D i := −E (0) θ i<br />
D := diag (D 1 , . . . , D k ) gilt<br />
Dann gilt<br />
<strong>für</strong> ein α > 0.<br />
k∑<br />
o p (‖ ˆθ i, M n − θi ∗ ‖ 2 ).<br />
i=1<br />
[<br />
d 2 /dθ 2 i log f i (X i1 , θ i )| θi =θ ∗ i<br />
(ˆθ M i, n − θ ∗ i ) T D (ˆθ M i, n − θ ∗ i ) ≥ α ‖ ˆθ M i, n − θ ∗ i ‖ 2<br />
√ n<br />
(ˆθM n − θ ∗) = O p (1).<br />
]<br />
und <strong>für</strong><br />
Bemerkung 4.7. Bedingung (iii) wird <strong>für</strong> die Abschätzung <strong>des</strong> Restglie<strong>des</strong> der Taylorentwicklung<br />
um θ ∗ benötigt. Bedingung (iv) besagt, dass die erwartete Ableitung <strong>des</strong> log-<br />
<strong>Likelihood</strong>s an der Stelle θ ∗ in Richtung <strong>des</strong> auf M eingeschränkten ML-Schätzers schneller<br />
gegen null konvergiert als ‖ ˆθ n<br />
M − θ ∗ ‖ 2 . Bedingung (v) sichert, dass sich die Matrix D gegenüber<br />
dem eingeschränkten Schätzer ˆθ n<br />
M wie eine positiv definite und symmetrische Matrix<br />
verhält. Somit ist Bedingung (v) <strong>für</strong> eine positiv definite und symmetrische Matrix D automatisch<br />
erfüllt mit α gleich dem kleinsten Eigenwert von D. Für θ ∗ = θ (0) werden die<br />
Bedingungen (ii)-(v) durch die Regularitätsbedingungen R abgedeckt, siehe Korollar 4.8.