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.
6.3. Beispiel 63<br />
Somit gilt<br />
K(θ) := K(0, θ, (c 1 , 1 − c 1 )) = c 1 θ 2 1 + (1 − c 1) θ 2 2<br />
2σ 2 . (6.8)<br />
Das Minimum von K(θ) in Θ 0 wird auf dem Rand von Θ 0 angenommen. Folglich ist<br />
in θ 2 zu minimieren. Aus<br />
G(θ 2 ) := K((θ 2 + ∆, θ 2 )) = c 1 (θ 2 + ∆) 2 + (1 − c 1 ) θ 2 2<br />
2σ 2<br />
d<br />
dθ 2<br />
G(θ ∗ 2) = 2c 1(θ ∗ 2 + ∆) + 2(1 − c 1)θ ∗ 2<br />
σ 2 = 2(c 1∆ − θ ∗ 2 )<br />
σ 2 !<br />
= 0<br />
schließt man θ ∗ 2 = −c 1∆ und somit θ ∗ 1 = θ∗ 2 + ∆ = −c 1∆ + ∆ = ∆(1 − c 1 ). Also ist<br />
θ ∗ = ∆(1 − c 1 , −c 1 ) der Punkt in der Hypothese, der den gewichteten Kullback-Leibler Abstand<br />
mit Gewichten (c 1 , 1 − c 1 ) zu θ (0) = (0, 0) minimiert. Einsetzen in 6.8 liefert<br />
Mit<br />
µ := K(0, θ ∗ , (c 1 , 1 − c 1 )) = c 1 ∆ 2 (1 − c 1 ) 2 + (1 − c 1 ) ∆ 2 c 2 1<br />
2σ 2 = c 1(1 − c 1 )∆ 2<br />
2σ 2 .<br />
Var [ log f(X i , 0, σ 2 ) − log f(X i , θ i , σ 2 ) ] = 1<br />
4σ 4 Var [ (X i − θ i ) 2 − Xi<br />
2 ]<br />
= 1<br />
4σ 4 Var [ −X i θ i + θi<br />
2 ]<br />
<strong>für</strong> i = 1, 2 und X i ∼ N (θ i , σ 2 ) erhält man<br />
= θ2 i<br />
4σ 4 Var [X i] = θ2 i<br />
4σ 2<br />
τ 2 := c 1 Var [ log f(X, 0, σ 2 ) − log f(X, θ ∗ 1, σ 2 ) ]<br />
+(1 − c 1 ) Var [ log f(X, 0, σ 2 ) − log f(X, θ ∗ 2, σ 2 ) ]<br />
= c 1(1 − c 1 ) 2 ∆ 2 + (1 − c 1 )c 2 1 ∆2<br />
4σ 2<br />
= c 1(1 − c 1 )∆ 2<br />
4σ 2 .<br />
Nach Theorem 6.7 ist dann die <strong>asymptotische</strong> <strong>Verteilung</strong> <strong>des</strong> <strong>Likelihood</strong>-<strong>Quotienten</strong> λ n unter<br />
der Alternative θ (0) = (0, 0) gegeben durch<br />
( )<br />
√ 1 n<br />
n log λ D<br />
n + µ −→ N (0, τ 2 ) (6.9)<br />
6.3.1 Simulation<br />
<strong>Die</strong> Güte der Approximation (6.9) hängt vom Stichprobenumfang n ab. <strong>Die</strong> Frage ist, <strong>für</strong><br />
welche Stichprobenumfänge die Approximation zu zufrieden stellenden Ergebnissen führt.<br />
Hier<strong>für</strong> wird <strong>für</strong> n = 50, 100, 200, σ = 1, c 1 = 0.5, ∆ = 0.1, 0.5<br />
( )<br />
√ 1 n<br />
n log λ n + µ<br />
(6.10)