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.
4 Kaptitel 1: Einleitung<br />
von Lokationsmaßen, wie dem Mittelwert oder dem Median von diskreten und stetigen Kriterien,<br />
üblich. Folglich sind Diskrepanzmaße, wie Differenz der Mittelwerte, standardisierte<br />
Differenz der Mittelwerte oder Quotient der Mittelwerte, geläufig. Bezeichne δ ein Diskrepanzmaß<br />
so, dass δ > 0 im Fall von additiver Diskrepanz (z.B. Differenz der Mittelwerte)<br />
und δ > 1 im Fall von multiplikativer Diskrepanz (z.B. Quotient der Mittelwerte) zur Unterlegenheit<br />
von der Testtherapie gegenüber der Referenztherapie korrespondiert, dann ist die<br />
Hypothese <strong>des</strong> Nicht-Unterlegenheitstests mit Nicht-Unterlegenheitsmarge ∆ gegeben durch<br />
H 0 : δ ≥ ∆ vs. H 1 : δ < ∆ . (1.1)<br />
<strong>Die</strong> Nicht-Unterlegenheitsmarge ∆ ist die negative Abweichung der Testtherapie gegenüber<br />
der Referenztherapie, die aus klinischen Gesichtspunkten noch akzeptabel ist. Für die Differenz<br />
und die standardisierte Differenz der Mittelwerte gilt <strong>für</strong> δ = 0 Gleichheit der beiden<br />
Gruppen und folglich wird ∆ > 0 gewählt. Da <strong>für</strong> den <strong>Quotienten</strong> der Mittelwerte bei δ = 1<br />
Gleichheit gilt, wird hier entsprechend ∆ > 1 gewählt. Es findet aktuell eine umfassende Diskussion<br />
über die Spezifizierung der Nicht-Unterlegenheitsmarge statt. Eine allgemeine Regel<br />
kann hier jedoch nicht formuliert werden. <strong>Die</strong> Marge hängt von klinischen Aspekten wie der<br />
Indikation oder dem Kriterium ab und ist somit von entsprechenden Spezialisten oder anhand<br />
früherer klinischer Studien zu bestimmen. Ein Überblick über die aktuelle Diskussion wird<br />
zum Beispiel von Lange und Freitag (2005) gegeben. <strong>Die</strong> Fragestellung der Spezifizierung der<br />
Nicht-Unterlegenheitsmarge soll hier jedoch nicht weiter verfolgt werden.<br />
Wird die Spezifizierung <strong>des</strong> Testproblems als gegeben angenommen, umfasst der nächste<br />
Schritt die Planung der Stichprobenumfänge in Test- und Referenzgruppe. Hierbei ist aus<br />
ökonomischer Sicht eine Reduzierung <strong>des</strong> Gesamtstichprobenumfangs anzustreben. Dem entgegen<br />
steht die Anforderung, den Fehler zweiter Art unter einem vorgegebenen Niveau zu<br />
halten. Da<strong>für</strong> müssen die Stichprobenumfänge so groß zu gewählt werden, dass eine vorgegebene<br />
Power (1 − Fehler zweiter Art) erreicht wird. Es stellt sich die Frage, ob die Stichprobenaufteilung<br />
in die beiden Gruppen Einfluss auf den benötigten Gesamtstichprobenumfang<br />
nimmt. Wenn ja, welche Aufteilung führt zum minimal benötigten Gesamtstichprobenumfang?<br />
Um eine Fallzahlplanung durchführen zu können, wird die <strong>Verteilung</strong> der <strong>Tests</strong>tatistik<br />
unter der Hypothese H 0 und unter der Alternative H 1 benötigt. In Kapitel 3 werden exemplarisch<br />
<strong>für</strong> zwei normalverteilte Stichproben exakte Nicht-Unterlegenheitstests <strong>für</strong> die oben<br />
erwähnten, geläufigen Dispkrepanzmaße konstruiert und die Fallzahlplanung diskutiert. Es<br />
werden Fallzahlformeln zur Bestimmung der minimal benötigten Fallzahlen angegeben und<br />
optimale Fallzahlaufteilungen auf die Stichproben berechnet.<br />
<strong>Die</strong> präsentierten Fragestellungen zur Planung eines Nicht-Unterlegenheitstests stellen zusammen<br />
mit der Tatsache, dass sich nicht bei allen Testproblemen <strong>Tests</strong>tatistiken mit bekannten<br />
<strong>Verteilung</strong>en unter der Hypothese H 0 und unter der Alternative H 1 finden lassen, die Motivation<br />
<strong>für</strong> das Kernstück dieser Arbeit dar. Als Lösung hierzu wird der <strong>Likelihood</strong>-<strong>Quotienten</strong>-<br />
Test betrachtet, der <strong>für</strong> parametrische Familien von <strong>Verteilung</strong>en eine Methode bereitstellt,<br />
auf Parameterkonstellationen zu testen. Ziel ist es <strong>für</strong> allgemeine Hypothesenräume die <strong>asymptotische</strong><br />
<strong>Verteilung</strong> der <strong>Likelihood</strong>-<strong>Quotienten</strong>-Statistik unter der Hypothese und der Alternative<br />
zu berechnen und so die Konstruktion eines Testes sowie eine Fallzahlplanung zu<br />
ermöglichen. <strong>Die</strong> Arbeit beschränkt sich nicht auf den Zwei-Stichprobenfall, sondern betrachtet<br />
allgemeine Hypothesenräume, die Teilmengen eines gemeinsamen Parameterraumes von k