绝对的经典,学习下。
1 渐进效率,及计算渐进效率的数学方法
1.1 计算渐进效率的一般方法
符号
(
X
,
A
)
(\mathfrak{X}, \mathfrak{A})
(X,A):关于观察值
X
X
X的样本空间
P
θ
P_{\theta}
Pθ:分布
s
=
{
X
1
,
X
2
,
.
.
.
}
s=\{X_1,X_2,...\}
s={X1,X2,...},i.i.d
X
(
n
)
:
=
(
X
1
,
X
2
,
…
,
X
n
)
\mathbf{X}^{(n)}:=\left(X_{1}, X_{2}, \ldots, X_{n}\right)
X(n):=(X1,X2,…,Xn),其样本空间为
(
X
(
n
)
,
A
(
n
)
)
(\mathfrak{X}^{(n)}, \mathfrak{A}^{(n)})
(X(n),A(n)),其分布记作
P
θ
(
n
)
P_{\theta}^{(n)}
Pθ(n)
根据观察
{
X
1
,
.
.
.
,
X
n
}
\{X_1,...,X_n\}
{X1,...,Xn}检验:
H
:
θ
∈
Θ
0
⊂
Θ
↔
A
:
A
:
θ
∈
Θ
1
=
Θ
\
Θ
0
H:\theta\in \Theta_0 \subset \Theta \quad \leftrightarrow \quad A: A: \theta \in \Theta_{1}=\Theta \backslash \Theta_{0}
H:θ∈Θ0⊂Θ↔A:A:θ∈Θ1=Θ\Θ0
使用一串统计量
{
T
n
}
\{T_n\}
{Tn},这里
T
n
(
s
)
=
T
n
(
X
1
,
X
2
,
.
.
.
,
X
n
)
T_n(s)=T_n(X_1,X_2,...,X_n)
Tn(s)=Tn(X1,X2,...,Xn)。
拒绝域:
{
s
:
T
n
(
s
)
≥
c
}
\{s: T_n(s)\geq c\}
{s:Tn(s)≥c}
势函数:
P
θ
(
T
n
≥
c
)
P_{\theta}(T_n\geq c)
Pθ(Tn≥c),视为
θ
\theta
θ的函数。
检验功效(size)为
sup
{
P
θ
(
T
n
≥
c
)
:
θ
∈
Θ
0
}
\sup \left\{P_{\theta}\left(T_{n} \geq c\right): \theta \in \Theta_{0}\right\}
sup{Pθ(Tn≥c):θ∈Θ0}
对于任意
β
∈
(
0
,
1
)
\beta\in (0,1)
β∈(0,1)和
θ
∈
Θ
1
\theta\in \Theta_1
θ∈Θ1,
c
n
(
β
,
θ
)
c_n(\beta,\theta)
cn(β,θ),目标:找到如下连续不等式:
P
θ
(
T
n
>
c
n
)
≤
β
≤
P
θ
(
T
n
≥
c
n
)
P_{\theta}\left(T_{n}>c_{n}\right) \leq \beta \leq P_{\theta}\left(T_{n} \geq c_{n}\right)
Pθ(Tn>cn)≤β≤Pθ(Tn≥cn)
则:
α
n
(
β
,
θ
)
:
=
sup
{
P
θ
′
(
T
n
≥
c
n
)
:
θ
′
∈
Θ
0
}
\alpha_{n}(\beta, \theta):=\sup \left\{P_{\theta^{\prime}}\left(T_{n} \geq c_{n}\right): \theta^{\prime} \in \Theta_{0}\right\}
αn(β,θ):=sup{Pθ′(Tn≥cn):θ′∈Θ0}:基于统计量序列
{
T
n
}
\{T_n\}
{Tn}的最小功效