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.
5<br />
unabhängigen Stichproben sind. Entscheidend ist hierbei, dass die Fallzahlen in den einzelnen<br />
Stichproben nicht von gleicher Größe sein müssen.<br />
Ein klassisches Resultat von Wilks (1938) zur <strong>Verteilung</strong> <strong>des</strong> <strong>Likelihood</strong>-<strong>Quotienten</strong> λ unter<br />
der Hypothese ist das folgende. Wenn die Hypothese, dass der Parameter θ in einer<br />
r-dimensionalen Hyperebene <strong>des</strong> d-dimensionalen Paramterraumes liegt, wahr ist, so gilt <strong>für</strong><br />
den <strong>Likelihood</strong>-<strong>Quotienten</strong> λ, dass −2 log λ asymptotisch χ 2 -verteilt mit d−r Freiheitsgraden.<br />
Für viele wichtige Probleme sind die Hypothesen nicht vom obigen Typ. So wird in dieser<br />
Arbeit die <strong>Verteilung</strong> <strong>des</strong> <strong>Likelihood</strong>-<strong>Quotienten</strong> auf dem Rand einer allgemeinen Hypothese<br />
basiernd auf Chernoff (1954) bzw. der weiterführenden Arbeit von Self und Liang (1987)<br />
untersucht. Zur <strong>Verteilung</strong> <strong>des</strong> <strong>Likelihood</strong>-<strong>Quotienten</strong>s unter der Alternative wird nicht wie<br />
üblich eine lokale Alternative (siehe zum Beispiel Feder (1968)), sondern eine feste Alternative<br />
betrachtet, d.h. die Stichproben folgen unabhängig vom Stichprobenumfang einer zum festen<br />
Parameter θ (0) gehörigen <strong>Verteilung</strong>.<br />
In Kapitel 2 werden die in der Arbeit verwendeten Notationen, Modelle und Bedingungen<br />
eingeführt und einige theoretische Grundlagen bereitgestellt. In Kapitel 3 werden, wie bereits<br />
oben erwähnt, exemplarisch <strong>für</strong> zwei normalverteilte Stichproben exakte Nicht-Unterlegenheitstests<br />
konstruiert und die Fallzahlplanung diskutiert.<br />
Der Kernteil der Arbeit ist wie folgt aufgebaut: im Kapitel 4 werden theoretische Grundlagen<br />
zur Asymptotik <strong>des</strong> Maximum-<strong>Likelihood</strong>-Schätzers (ML-Schätzers) gelegt. <strong>Die</strong>se umfassen<br />
klassische Resultate zur <strong>asymptotische</strong>n Normalität <strong>des</strong> uneingeschränkten ML-Schätzers im<br />
Ein- und im k-Stichprobenfall sowie die Konvergenz <strong>des</strong> auf die Hypothese H 0 eingeschränkten<br />
ML-Schätzers.<br />
In Kapitel 5 wird die <strong>asymptotische</strong> <strong>Verteilung</strong> <strong>des</strong> <strong>Likelihood</strong>-<strong>Quotienten</strong>s λ auf dem Rand<br />
der Hypothese H 0 untersucht. Dazu wird die Arbeit von Chernoff (1954) auf den k-Stichprobenfall<br />
mit ungleichen Fallzahlen in den einzelnen Stichproben verallgemeinert. So wird <strong>für</strong> k unabhängige<br />
Stichproben die <strong>asymptotische</strong> <strong>Verteilung</strong> der <strong>Likelihood</strong>-<strong>Quotienten</strong>-Statistik auf<br />
die <strong>asymptotische</strong> <strong>Verteilung</strong> der <strong>Likelihood</strong>-<strong>Quotienten</strong>-Statistik unter einer normalverteilten<br />
Zufallsvariablen zurückgeführt. Hierbei wird vorausgesetzt, dass die Fallzahlen der einzelnen<br />
Stichproben asymptotisch von gleicher Ordnung sind und die Hypothese durch einen Kegel (in<br />
der Arbeit: positiv homogene Menge) approximiert werden kann. Das Kapitel wird durch eine<br />
Anwendung der Resultate auf den Zwei-Stichprobenfall mit einer Hypothese, die durch einen<br />
Halbraum approximiert werden kann, abgeschlossen. In diesem Fall folgt die <strong>asymptotische</strong><br />
<strong>Verteilung</strong> von −2 log λ auf dem Rand der Hypothese einer 1 2 + 1 2 χ2 1 -<strong>Verteilung</strong>.<br />
In Kapitel 6 wird die <strong>asymptotische</strong> <strong>Verteilung</strong> <strong>des</strong> <strong>Likelihood</strong>-<strong>Quotienten</strong>s unter einer festen<br />
Alternative θ 0 im k-Stichprobenfall untersucht. Hierbei wird gezeigt, dass der auf die Hypothese<br />
H 0 eingeschränkte ML-Schätzer mit Rate √ n gegen den Parameterwert, der den Kullback-<br />
Leibler-Abstand bzw. im k-Stichprobenfall den modifizierten Kullback-Leibler-Abstand zum<br />
wahren Wert θ 0 minimiert, konvergiert. Hierauf basierend wird die <strong>asymptotische</strong> Normalität<br />
<strong>des</strong> Logarithmus der <strong>Likelihood</strong>-<strong>Quotienten</strong>-Statistik unter fester Alternative hergeleitet. <strong>Die</strong><br />
gewonnenen Resultate werden exemplarisch auf den Nicht-Unterlegenheitstest unter zwei normalverteilten<br />
Stichproben und der Mittelwertdifferenz als Diskrepanzmaß angewandt.