2.3.7 Метод оценивания и мощность непараметрических критериев согласия

         При использовании MD-оценок, минимизирующих статистику критерия, эмпирические распределения G(Sn|H0), соответствующие различным гипоте­зам H0, имеют минимальный разброс, что означает определенную “свободу от распределения” для рассматриваемых критериев. Этот факт говорит за исполь­зование MD-оценок при проверке сложных гипотез. Но если исследовать мощ­ность рассматриваемых критериев при различных методах оценивания, то ока­зывается, что максимальную мощность непараметрические критерии при близ­ких альтернативах имеют в случае оценивания параметров методом макси­мального правдоподобия.

Способность применяемого критерия различать альтернативы H0 и H1 зависит от его мощности 1-b при заданном уровне значимости a, то есть от того, насколько существенно отличаются распределения статистики G(Sn|H0) и G(Sn|H1). При одинаковых объемах выборок n отличие распределений G(Sn|H0) и G(Sn|H1) в случае использования ОМП более значительно, а, сле­довательно, критерий оказывается более мощным, чем в случае использования MD-оценок.

Например, рисунок 17 иллюстрирует зависимость от n распределений G(Sn|H1) статистики SK Колмогорова при проверке сложной гипотезы при паре альтернатив H0 - нормальное распре­деление, H1 - логистическое и ис­пользовании MD-оценок SK, а рисунок 18 – зависимость от n распределений G(Sn|H1) статистики Sw Крамера-Мизеса-Смирнова при использовании MD-оценок Sw.

Сравнивая рисунок 17 с рисунком 6, а рисунок 18 с рисунком 8, можно убедиться, что в случае использования метода максимального правдоподобия мощность критериев типа Колмогорова и типа w2 Мизеса много выше, чем при использовании соответствующих MD-оценок. Аналогичная картина справед­лива и для критерия типа W2 Мизеса со статистикой SW  Андерсона-Дарлинга.

Рисунок 17 – Зависимость от n распределений G(Sn|H1) статистики SK Колмо­горова при сложной гипотезе (H0 - нормальное распределение, H1 - логистическое, MD-оценки SK): n = 20, 100, 500, 1000

Рисунок 18 – Зависимость от n распределений G(Sn|H1) статистики Sw Крамера-Мизеса-Смирнова при сложной гипотезе (H0 - нормальное распределение, H1 - логистическое, MD-оценки Sw): n = 100, 500, 1000

 

Для того чтобы сравнить по мощности непараметрические критерии со­гласия для рассматриваемой пары близких гипотез H0 и H1 при использовании ОМП, на рисунке 19 приведены распределения G(S1000|H1) и G(Sn|H1) при n= 20, 100, 500, 1000 для статистики SW  Андерсона-Дарлинга, а на рисунке 20 для статистики Sm Смирнова.

Рисунок 19 – Зависимость от n распределений G(Sn|H1) статистики SW  Андерсона-Дарлинга при сложной гипотезе (H0 - нормальное распределение, H1 - логистическое, ОМП): n = 20, 100, 500, 1000

 

Анализируя распределения на рисунках 6, 8, 19 и 20, можно заметить, что наи­более мощным для данной пары гипотез является критерий W2 со статисти­кой SW  Андерсона-Дарлинга, затем критерий w2 со статистикой Sw Крамера-Мизеса-Смирнова, далее критерий Колмогорова со статистикой SK и на по­следнем месте критерий Смирнова со статистикой Sm. Данное наблюдение о порядке предпочтения критериев хорошо согласуется с опытом их применения.

Почему мощность рассматриваемых критериев при проверке близких ги­потез в случае ОМП выше, чем при MD-оценках, достаточно логично объясняет следующая версия. Использование MD-оценок, минимизирующих статистику критерия, приводит к распределению G(S|H0) с меньшим параметром мас­штаба (к более крутой функции распределения), чем в случае ОМП. Но с дру­гой стороны, MD-оценки в отличие от ОМП являются робастными, они менее чувствительны к малым отклонениям выборки от предполагаемого закона рас­пределения. Поэтому функция распределения G(Sn|H1) оказывается еще более крутой по отношению к аналогичному распределению при использовании ОМП.

Рисунок 20 – Зависимость от n распределений G(Sn|H1) статистики Sm Смирнова при сложной гипотезе (H0 - нормальное распределение, H1 - логистическое, ОМП): n = 20, 100, 500, 1000

 

[Предыдущая][Содержание][Следующая]