De acordo com este artigo muito interessante na Revista Quanta: "Uma prova de longa data, encontrada e quase perdida" , - foi provado que, dado um vetor com uma variável multivariada Distribuição gaussiana e com os intervalos centrados em torno das médias dos componentes correspondentes de , entãoI 1 , ... , I n x
(Desigualdade de correlação gaussiana ou ICG; veja https://arxiv.org/pdf/1512.08776.pdf para a formulação mais geral).
Isso parece realmente agradável e simples, e o artigo diz que tem consequências para intervalos de confiança conjuntos. No entanto, parece-me bastante inútil a esse respeito. Suponha que estamos estimando parâmetros e encontramos estimadores que são (talvez assintoticamente) conjuntamente normais (por exemplo, o estimador MLE) . Então, se eu calcular intervalos de confiança de 95% para cada parâmetro, o GCI garante que o hipercubo é uma região de confiança conjunta com cobertura não inferior a ... o que é uma cobertura bastante baixa mesmo para moderado .
Portanto, não parece uma maneira inteligente de encontrar regiões de confiança conjunta: a região de confiança usual para um gaussiano multivariado, isto é, um hiperelipsoide, não é difícil de encontrar se a matriz de covariância é conhecida e é mais nítida. Talvez seja útil encontrar regiões de confiança quando a matriz de covariância é desconhecida? Você pode me mostrar um exemplo da relevância da GCI para o cálculo de regiões de confiança conjunta?
Respostas:
Eu acho que a questão é mais relevante. Em certo sentido, você está analisando vários testes de hipóteses e comparando com a execução de vários testes de hipóteses.
Sim, de fato, existe um limite inferior que é o produto dos valores-p dos testes que assumem independência. Essa é a base para ajustes nos valores de p em testes de multi-hipóteses, como ajustes de Bonferroni ou Holm. Mas os ajustes de Bonferroni e Holm (assumindo independência) são particularmente testes de baixa potência.
Pode-se fazer muito melhor na prática (e isso é feito via Bootstrap, veja, por exemplo, o Bootstrap Reality Check de H White, os artigos de Romano-Wolf e o conjunto mais recente de documentos sobre conjuntos de confiança de modelos). Cada uma delas é uma tentativa de um teste de hipótese de maior poder (por exemplo, usar a correlação estimada para fazer melhor do que simplesmente usar esse limite inferior) e, consequentemente, muito mais relevante.
fonte