Daha hızlı yakınsama oranı nedeniyle hipotez testi için kullanın ?


12

Varsayalım ki X_n iid ve 0 olan bir hipotez testi yapmak istiyorum. Büyük n'm var ve Merkezi Limit Teoremini kullanabilirim. Ayrıca bir test yapmak olabilir bu test eşdeğer olmalıdır 0, 0 fazla olan, yakınsayan ki-kare, nereye normale yaklaşır. Çünkü daha hızlı bir yakınsama oranı vardır, ben testi istatistik için o kullanmamalısınız ve böylece ben daha hızlı bir yakınsama oranı elde edecek ve test daha verimli olacak? μ μ 2 μ n ( ˉ X 2 - 0 ) X1,,Xnμμ2μn(X¯20) ˉ X 2n(X¯0)X¯2

Bu mantığın yanlış olduğunu biliyorum ama uzun süredir düşünüp araştırıyorum ve nedenini anlayamıyorum.


1
Ne istediğini belli değil. Yakınsama hızını algılamak ne de açıklayabilir misiniz olan "hızlı" daha ? Oranı nasıl ölçüyorsunuz? İki testte hangi test istatistiklerini kullanıyorsunuz? Açıkçası bu seçimler bir fark yaratabilir. ˉ XX¯2X¯
whuber

@whuber sorular için teşekkürler. "Daha yüksek oran" ı talep ediyorum çünkü n, n'nin kare kökünden daha büyük. Bu sezgi yanlış mı? Aklımda test istatistiği X-bar veya X-bar kare var.
Xu Wang

3
Sanırım yanlış şeye odaklanıyorsunuz. Bu oran, örnekleme dağılımının sınırlayıcı olana ne kadar hızlı yaklaştığını gösterir - standart Normal veya . Yana büyük, değeri hiçbir fark yaratan --O ilgisi yok. Sorun , test istatistiğinin sınırlayıcı dağılım için ne kadar iyi olduğu ile değil, her testin gücü ile ilgilidir . nχ2(1)n
whuber

@whuber bu ayrıntılar için teşekkür ederim. Onları düşünüyorum ama hala anlamıyorum. X-bar ^ 2'nin yaklaşık varyansı, sonunda X-bar'ın yaklaşık varyansından daha küçük olmayacak mı? Ve bu X-bar ^ 2'nin X-bar'dan daha yüksek yakınsama hızına sahip olmasının bir sonucu değil mi? Temel yanlış anlamalarımı görmediğim için üzgünüm. Özlediğim büyük bir şey olduğunu biliyorum ve böyle düşünmeyi düzeltmeyi umuyorum.
Xu Wang

Yaklaşık varyansın daha büyük veya daha küçük olması önemli değildir, çünkü önemli olan istatistiğin dağılımıdır. Bunu görmek için ve ile için bir t testi düşünün . istatistiği her zaman 100 katı varyansa sahiptir , ancak normalleştirme her iki gerçek test istatistiğinin dağıtılmasıyla sonuçlanır . Sizin durumunuzda, değişkeninin karesini almanın değişkenliği verdiğini unutmayın . Limitte bu dönüşüm, iki testin belirli bir seviyede verilen güçleri ile aynı olduğu anlamına gelir. x N ( 0 , 1 ) y N ( 0 , 10 ) ˉ y ˉ x t ( n - 1 ) N ( 0 , 1 ) χ 2μ=0xN(0,1)yN(0,10)y¯x¯t(n1)N(0,1)χ2
jbowman

Yanıtlar:


1

Açıkladığınız her iki test de eşdeğerdir.

İki hipotezim varsa: H 1 : μ 0

H0:μ=0
H1:μ0

o zaman onlar eşdeğerdir

H 1 : μ 2 > 0.

H0:μ2=0
H1:μ2>0.

Verilerin normal olduğu biliniyorsa, örnek ortalama ayrıca ortalama ve varyans (bilinen veya bilinmeyen) ile Normal olacaktır . μσ2/nX¯μσ2/n

Verilerin Normal olduğu bilinmiyorsa, merkezi limit teoremini kullanabilirsiniz ve yukarıdakiler asimptotik olarak doğru olacaktır. Sen iddia "hızlı" daha ki-kare değişkene yakınsayacaktır normal birine araya gelecek. Bu, sonsuzluğa eğilimli olduğu için, ˉ X nX¯2X¯n

P(|X¯μ|>|X¯2μ2|)1

Ama bu hikayenin tamamı değildir. Bir olasılık oranı testi veya en azından yaklaşık bir test yapıyoruz . ki kare veya normal test yapsak da oran aynı olacaktır. (Normal bir rastgele değişkenin karesinin ki kare dağılımını izlediğini hatırlayın.) Örnek ortalama ilgili normal veya t dağılımının 95. persentilinde çıkarsa, karelerin toplamı dağılımının 95. persentiline eşit olmalıdır (aynı sayı değildir, ancak bu önemli değildir). χ2X¯χ2

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.