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]