O lema de Neyman-Pearson pode se aplicar ao caso em que uma simples alternativa nula e uma simples não pertencem à mesma família de distribuições? Pela prova, não vejo por que não pode.
Por exemplo, quando o nulo simples é uma distribuição normal e a alternativa simples é uma distribuição exponencial.
- O teste da razão de verossimilhança é uma boa maneira de testar um nulo composto em relação a uma alternativa composta quando ambos pertencem a famílias diferentes de distribuições?
Obrigado e cumprimentos!
hypothesis-testing
mathematical-statistics
StackExchange for All
fonte
fonte
Respostas:
Sim, Neyman Pearson Lemma pode aplicar-se ao caso em que uma simples alternativa nula e simples não pertence à mesma família de distribuições.
Vamos querer construir um teste Mais Poderoso (MP) de contra H 1 : X ∼ Exp ( 1 ) de seu tamanho.H0:X∼N(0,1) H1:X∼Exp(1)
Para um particular , nossa função crítica do lema de Neyman Pearson ék
é um teste de MP de contra H 1H0 H1 do seu tamanho.
Aqui
Observe que Agora, se você desenhar a figura der(x)[não sei como construir umafiguraem resposta], no gráfico ficará claro quer(x)>k
Portanto, para um particu r ϕ ( x ) = { 1 , x > c 0 , caso contrário , é um teste de MP de H o contra H 1c
Você pode testar
Por Neyman Pearson lema.
Isso é tudo de mim.
fonte
Q2 A razão de verossimilhança é uma estatística de teste suficientemente sensata, mas (a) o lema de Neyman-Pearson não se aplica a hipóteses compostas; portanto, o LRT não será necessariamente mais poderoso; & (b) O Teorema de Wilks se aplica apenas a hipóteses aninhadas, portanto, a menos que uma família seja um caso especial da outra (por exemplo, exponencial / Weibull, Poisson / binômio negativo), você não conhece a distribuição da razão de verossimilhança sob o valor nulo, mesmo assintoticamente.
fonte
You're exactly right. The general picture is: we want a test statistic that gives us maximal power at a given significance levelα . In other words, a way to compute a value ϕ so that the points part of parameter space for which ϕ exceeds its αth quantile under H0 have the least possible weight under H1 . The Neyman-Pearson lemma demonstrates that that statistic is the likelihood ratio.
Neyman & Pearson's original paper also discusses composite hypotheses. In some cases the answer is straightforward -- if there is a choice of particular distributions in each family whose likelihood ratio is conservative when applied the the whole family. This is what often happens, for instance, for nested hypotheses. It's easy for this not to happen, though; this paper by Cox discusses what to do further. I think a more modern approach here would be to approach it in a Bayesian way, by putting priors over the two families.
fonte