Распределения статистик
критериев согласия существенно зависят от метода оценивания параметров, то
есть каждому типу оценок при конкретной сложной проверяемой гипотезе
соответствует свое предельное распределение G(S|H0) статистики.
В данном случае по вполне очевидным причинам при проверке сложных гипотез
сравним результаты использования ОМП и
MD-оценок. MD-оценки получаются при
минимизации некоторого расстояния между эмпирической и теоретической функцией
распределения. Оценки максимального правдоподобия предпочтительны благодаря
своим асимптотическим свойствам [35], [36], а в случае MD-оценок может минимизироваться
значение статистики, используемой в критерии.
ОМП вычисляют в результате максимизации по q функции
правдоподобия
или ее логарифма
Чаще всего в случае
скалярного параметра ОМП определяют как решение уравнения, а в случае
векторного параметра – как решение системы уравнений правдоподобия вида
где m –
размерность вектора параметров q. В общем случае эта
система нелинейна и, за редким исключением, решаема только численно.
При практическом
использовании критериев необходимо иметь в виду следующее. В данном случае, как
и в [20]-[24], при построении распределений
статистик и исследовании их зависимости от метода оценивания ОМП вычисляли как
решение системы (23). Если использовать грубые приближения
ОМП, то это соответственно отражается на распределениях статистик и свойствах
критериев.
При вычислении MD-оценок
минимизируется соответствующее расстояние между эмпирическим и теоретическим
распределениями. При использовании статистики Колмогорова SK в качестве оценки
вектора параметров q выбирают
значения, минимизирующие эту статистику:
(MD-оценки SK). Аналогично, при
использовании статистики Sw минимизируется по
q статистика Sw:
(MD-оценки Sw). При использовании
статистики SW –
(MD-оценки SW).
Вид используемой оценки
оказывает существенное влияние на распределения статистик критериев согласия.
Степень влияния метода оценивания на распределение статистики иллюстрирует рисунок 9, на котором показаны полученные в результате
моделирования плотности распределения g(Sn|H0) статистики
критерия типа Колмогорова SK при
вычислении оценок параметра сдвига нормального распределения тремя различными
методами: минимизацией статистики SK,
минимизацией статистики Sw и методом максимального
правдоподобия. Функция плотности распределения Колмогорова обозначена на
рисунке как k(S).
Рисунок 9 – Плотности
распределения g(Sn|H0) статистики
SK при проверке сложной
гипотезы (H0 - нормальный закон,
оценивается сдвиг: 1 - с использованием MD-оценок SK , 2 - MD-оценок
Sw , 3 – ОМП).
k(S) - плотность
распределения Колмогорова
При использовании ОМП распределения статистик сильно зависят от соответствующего
проверяемой гипотезе H0 закона F(x,q). На рисунке 10 приведены
эмпирические распределения G(Sn|H0) статистики Колмогорова SK,
когда при проверке сложной гипотезы два параметра закона, соответствующего
гипотезе H0, оценивали с использованием метода максимального
правдоподобия. При этом на рисунке показаны распределения статистики G(Sn|H0), когда
гипотеза H0 соответствует законам: нормальному,
логистическому, Лапласа с плотностью ,
распределению наименьшего значения с плотностью , распределению
Коши с плотностью .
Рисунок 10 – Распределения G(Sn|H0) статистики Колмогорова SK при
оценивании двух параметров закона, соответствующего гипотезе H0 (здесь
и далее: 1 – нормального, 2 – логистического, 3 – Лапласа, 4 – наименьшего
значения, 5 – Коши), при использовании ОМП. K(S) - функция
распределения Колмогорова
При использовании MD-оценок, минимизирующих статистику применяемого
критерия согласия, влияние закона F(x,q), соответствующего проверяемой гипотезе H0 проявляется
менее значительно. На рисунке 11 показаны распределения
G(Sn|H0) той
же статистики SK при проверке тех же гипотез, но с использованием
MD-оценок параметров, полученных минимизацией по параметрам
статистики SK.
Рисунок 11 – Распределения G(Sn|H0) статистики Колмогорова SK при
оценивании двух параметров закона, соответствующего гипотезе H0, при
использовании MD-оценок SK.
K(S) - функция
распределения Колмогорова, предельная при простой гипотезе
На рисунке 12 приведены распределения статистики Sw для аналогичных гипотез H0 при
использовании ОМП, а на рисунке 13 – при использовании MD-оценок, минимизирующих по параметрам статистику Sw .
При использовании MD-оценок,
минимизирующих по параметрам статистику Sw , эмпирические распределения смоделированных
распределений G(Sn|H0) практически совпадают для законов нормального,
логистического, Лапласа, наименьшего значения, максимального значения с
плотностью , распределения Вейбулла с плотностью и
хорошо аппроксимируются логарифмически нормальным законом с плотностью и
параметрами m=-3,2702; s=0,4719.
Распределения статистик критериев согласия при использовании MD-оценок (как и в случае использования ОМП) существенно
зависят от того, какой параметр оценивался. На рисунке 14
показаны распределения G(Sn|H0) статистики Sw Крамера-Мизеса-Смирнова при использовании MD-оценок Sw и оценивании масштабного параметра закона,
соответствующего гипотезе H0. На рисунке 15 представлены
аналогичные распределения статистик, но при оценивании для тех же распределений
параметра сдвига. Распределения статистик в случае оценивания параметра сдвига
распределения максимального значения и масштабного параметра распределения
Вейбулла совпадают с распределением статистики для распределения минимального
значения.
Рисунок 12 – Распределения G(Sn|H0) статистики Sw Крамера-Мизеса-Смирнова при оценивании двух
параметров закона, соответствующего гипотезе H0, при использовании ОМП. a1(S)- функция
распределения, предельная при простой гипотезе
Если обратить внимание
на рисунок 16, на котором отображены распределения G(Sn|H0) статистики
Sw при проверке согласия с распределениями
экспоненциальным , полунормальным , Рэлея
, Максвелла , модуля m
-мерного (m=5) нормального вектора при
оценивании масштабного параметра соответствующего закона с использованием MD-оценок Sw , то можно заметить, что распределения статистик
близки к приведенным на рисунке 15. Распределения
статистик, показанные на рисунке 16, например, достаточно
хорошо аппроксимируются логарифмически нормальным законом с параметрами m=-2,8484; s=0,5669.
Рисунок 13 – Распределения G(Sn|H0) статистики Sw Крамера-Мизеса-Смирнова при оценивании
двух параметров закона, соответствующего гипотезе H0, при MD-оценках
Sw
Рисунок 14 – Распределения G(Sn|H0) статистики Sw Крамера-Мизеса-Смирнова при оценивании масштабного
параметра закона, соответствующего гипотезе H0 (6 –максимального значения, 7 – Вейбулла,
параметр формы), при использовании MD-оценок
Sw
Рисунок 15 – Распределения G(Sn|H0) статистики Sw Крамера-Мизеса-Смирнова при оценивании
параметра сдвига, соответствующего гипотезе H0, при MD-оценках
Sw
Рисунок 16 – Распределения G(Sn|H0) статистики Sw Крамера-Мизеса-Смирнова при оценивании
масштабного параметра закона, соответствующего гипотезе H0 (1
– экспоненциального, 2 – полунормального, 3 – Рэлея, 4 – Максвелла, 5 –
модуля 5-мерного нормального вектора), при использовании MD-оценок Sw
Таким образом, применяя непараметрические критерии
согласия, следует непременно учитывать используемый метод оценивания. При этом
в случае метода максимального правдоподобия распределения статистик G(S|H0) очень
сильно зависят от закона, соответствующего гипотезе H0. Разброс распределений G(S|H0) при использовании MD-оценок, минимизирующих статистику критерия, зависит
от закона F(x,q), соответствующего гипотезе H0, в
существенно меньшей степени.
[Предыдущая][Содержание][Следующая]