假设检验_数理统计|笔记整理（A）——假设检验进阶：似然比视角再看假设检验...

上一节笔记传送门：数理统计|笔记整理（9）——假设检验初步：势，显著性检验，拟合优度检验，正态性检验

下一节笔记传送门：数理统计|笔记整理（B）——似然比检验，区间估计：置信区间，容忍区间概念与计算

——————————————————————————————————————

大家好！

这一节我们继续来看假设检验问题，但是我们会从另外一个视角来看。如果我们从似然比这个量来看，会不会使得结果有什么不一样呢？事实上，看似完全不一样的推导方法，在很多情形下能够得到完全相同的结果，这也是我们这一节所介绍的内容。

那么我们开始吧。

目录

• 引入
• 一致最优势检验 (UMPT)
• Neyman-Pearson准则
• 单调似然比分布族的单边检验
• 单参数指数族分布的双边检验概述

引入

如果我们通过统计判决的思想思考假设检验，其实它就是考虑构造判别函数的问题。事实上假设检验要做的决策也就两个——接受原假设，拒绝原假设。所以我们的判别函数其实也就只需要两个值，也就是1和0。依照这个，我们先给出检验函数的定义。

Definition 1: Test Function 定义

​为假设检验

​的检验函数。其中

​表示抽样​

的时候，否定原假设的概率。若对任意的​

，有​

，那么称

​为假设检验问题的水平为​

的检验。

很显然，这样的定义就和否定域的概念完全等价。如果

​，那么

​，也就是说否定原假设的概率为1，这就是否定域的意思。

在这样的定义下，你也能看出来，​

就是我们关心的

损失函数，而它也正好就是下面的表达式

​

这也就恰好对应上了上一节所说的两类错误。

一致最优势检验 (UMPT)

我们在上一节说了，我们希望的假设检验实际上是针对第一类错误的检验。也就是说我们希望一个检验的第一类错误能够小于一个阈值​。但是我们很显然也并不希望第二类错误太大，所以我们考虑了这么一种检验——一致最优势检验，它的定义如下。

Definition 2: Uniform Most Powerful Test 对于假设检验问题

​和我们给定的水平

​，如果检验​

满足​

，那么就称​

为假设检验问题的一个水平为

​的检验。记​

，若存在​

，使得

​，则称​

为假设检验问题的水平为

​的一致最优势检验。

一般我们称呼它为UMPT。这个定义用人话来说，就是要先考虑一个检验，它的第一类错误要

​，然后在这个基础上，考虑

使得第二类错误最小的一个检验函数

​。

从统计判决函数的观点来看，这一系列统计推断问题实质上是一脉相承的。幸运的是我们在第五节已经通过Rao-Blackwell定理，说明了统计推断的最优解为充分统计量的函数。为了加深印象，我们在这里再写一遍。

Lemma 1: 设​

为充分统计量，任意给定一个检验​

，必定存在一个检验​

，它为充分统计量的函数，并且与

有相同的功效。

简单说明一下。设

​，那么这个时候显然这个量为​

的函数，与​

无关（注意​

的充分统计量含义，不明白的话参考第三节）。又注意到

所以功效也相同，这就证明了结论。

Neyman-Pearson准则

下面我们进入我们的重点——N-P准则。为了简单起见，我们先从最简单的情况开始说起，也就是

在这一部分提到的假设检验问题，均是指上面这一个。

首先我们引入似然比，也就是

​，也就是两个似然函数的比值（所以对应的是两个

样本联合概率密度）。我们在极大似然估计里介绍过，如果这个样本出现了，那么就说明在这个参数下，这个样本出现的概率应该比较大，也就是说，总体的似然函数

​应该很大，如果​

符合实际情况的话。这样的话，对于似然比来说，如果比较大，就说明

​比

​要大很多，也就说明​

才是更符合实际情况的，也就是说备择假设才是应该被推崇的。在这个逻辑下，

就很自然的成为了拒绝域的形式，而我们只需要根据

​来确定​

即可。

根据似然比来判断就会对应有三种情况：

​，无论是​

，还是

​，我们都会对应为显著性检验中的拒绝域和接受域，但是​如何判断

？事实上，有的书上会把接受域这一部分定义为

保留域，也就是说这一个部分会被划为接受域。所以在我们之后的假设检验问题中，多半它不会对我们之前的理解产生影响，但是在这一节的所有分析中，我们都需要对它足够的重视。

这也是N-P准则的基本逻辑，我们把它重新写一遍。

Theorem 1: Neyman-Pearson 设​

为离散或连续型密度函数，那么对于假设检验问题

​，我们有

(1) 存在性，定义​

，那么对于任意给定的

​，一定存在​

，使得

​。

(2) 最优性或充分性，(1)中的检验函数为假设检验问题的UMPT。 (3) 唯一性或必要性，若​

为问题的最优势检验，那么一定有

​，且若​

，那么有

​。

这是一个非常复杂的定理，我们一个一个来证明。

我们首先来看第一条。

​，那么注意到它实际上代表着检验函数在

​，也就是

原假设情况下的势（我们在第9节介绍过有关势的概念）。所以就有

关键的一步来了！设随机变量

​的分布函数为

​，那么实际上，就相当于

所以可以考虑设​

为分布函数​

的​

分位数，这样的话​

的取值就根据

​这个点的连续性来考量了。如果这个点是一个连续点，那么

​的取值就是任意的。如果非连续，也没有关系，因为在这个情况下，​

都已经确定下来，所以解方程就好，这个时候​

为

下面我们看第二条。回顾一下UMPT的概念，你可以看出第二条实质上就是要证明，对任意的​