54 Kapitel 6: Asymptotische <strong>Verteilung</strong> der LQ-Statistik unter Alternative Nach dem schwachen Gesetz der großen Zahlen (siehe A.1) gilt Q n (θ ∗ ) = Q(θ ∗ )+o p (1). Somit erhält man Q n (ˆθ r n) P −→ Q(θ ∗ ). (6.6) Mit dem Ergebnis aus Theorem 6.4, ˆθ n r Lemma (siehe A.6) erhält man mit Q n (ˆθ r n) Aufgrund der Eindeutigkeit <strong>des</strong> Minimums muss a.s. −→ θ min , und unter Anwendung von Amemiya’s P −→ Q(θ min ). θ ∗ = θ min gelten. Im anschließenden Abschnitt zum k-Stichprobenfall werden Voraussetzungen aufgeführt, unter denen die Bedingung (6.2) l n (θ ∗ ) − l n (ˆθ r n) = o p ( √ n) aus Theorem 6.2 erfüllt ist, siehe Korollar 6.12.
6.2. Asymptotik im k-Stichprobenfall 55 6.2 Asymptotik im k-Stichprobenfall <strong>Die</strong> Ergebnisse <strong>des</strong> 1-Stichprobenfalls werden auf den k-Stichprobenfall mit ungleichen Fallzahlen übertragen. Es wird somit der k-Stichprobenfall mit Regularitätsbedingungen R und Bedingung F betrachtet. Sei c = (c 1 , . . . , c k ) mit n i /n → c i . Der Kullback-Leibler Abstand ist <strong>für</strong> den k-Stichprobenfall zu modifizieren. Definition 6.6. Seien (f i,0 , f i,1 ), i = 1, . . . , k Paare von Dichten bezüglich einem σ-endlichen Maß ν und w = (w 1 , . . . , w k ), w i > 0, ein Gewichtungsvektor, dann ist der gewichtete Kullback-Leibler Abstand <strong>für</strong> f 0 = (f 1,0 , . . . , f k,0 ) und f 1 = (f 1,1 , . . . , f k,1 ) definiert als K(f 0 , f 1 , w) = k∑ w i K(f i,0 , f i,1 ), i=1 wenn f i,0 ≪ f i,1 <strong>für</strong> alle i = 1, . . . , k und unendlich sonst. Für f θ (·) = (f 1 (θ 1 , ·), . . . , f k (θ k , ·)) und f˜θ(·) = (f 1 (˜θ 1 , ·), . . . , f k (˜θ k , ·)) wird gesetzt. K(θ, ˜θ, c) = K(f θ , f˜θ, c) Bedingung B3: Für i = 1, . . . , k existiert E (0) θ log f i (X i1 , θ (0) i ) und es existiert eine Funktion i K i (x) mit E (0) θ K i (X i1 ) < ∞, so dass log f i (x, θ i ) gleichmäßig in Θ 0 im Betrag durch K i (x) i beschränkt ist. Bedingung B4: E (0) θ i <strong>für</strong> alle i = 1, . . . , k. [log f i (X i1 , θ i )] 2 existiert <strong>für</strong> θ i ∈ {θ i : θ = (θ 1 , . . . , θ k ) ∈ Θ 0 } ∪ {θ (0) i } Bedingung B3 stellt die zu Bedingung B1 entsprechende k-Stichprobenbedingung dar und sichert die Wohldefiniertheit <strong>des</strong> gewichteten Kullback-Leibler Abstands zwischen der wahren <strong>Verteilung</strong> und denen zur Hypothese gehörigen <strong>Verteilung</strong>en. Entsprechend sichert Bedingung B4 die Existenz von k∑ i=1 c i Var θ (0) i [ ] log f(X i1 , θ (0) i ) − log f(X i1 , θ i ) <strong>für</strong> θ ∈ Θ 0 . Im Folgenden wird erneut ˆθ n r = ˆθ Θ 0 n <strong>für</strong> den auf die Hypothese Θ 0 eingeschränkten ML-Schätzer geschrieben. ˆθ n r wird als restringierter ML-Schätzer bezeichnet. So kann das Theorem 6.2 entsprechend <strong>für</strong> den k-Stichprobenfall formuliert werden. <strong>Die</strong> Rolle von θ ∗ wird auch hier anschließend diskutiert. Theorem 6.7. Der k-Stichprobenfall sei mit nachstehenden Bedingungen gegeben: (i) <strong>Die</strong> Regularitätsbedingungen R sind <strong>für</strong> alle f i , i = 1, . . . , k erfüllt.