MathLabs
定理証明済み

ネイマン・ピアソンの補題

内容

尤度関数 L(θ)L(\theta) を持つデータに基づいて、単純な帰無仮説 H0:θ=θ0H_0: \theta = \theta_0 を単純な対立仮説 H1:θ=θ1H_1: \theta = \theta_1 に対して検定することを考える。k≥0k \geq 0 を定数とし、CC を棄却域 C={x:L(θ1)>k L(θ0)}C = \{x : L(\theta_1) > k \, L(\theta_0)\} とし、P(C∣H0)=αP(C \mid H_0) = \alpha となるように選ぶ。このとき、有意水準が α\alpha 以下であるすべての検定の中で、棄却域 CC を持つ検定は θ1\theta_1 における検出力が最大である。

なぜ正しいのか?

尤度比 L(θ1)/L(θ0)L(\theta_1)/L(\theta_0) が大きいときに棄却するということは、θ0\theta_0 と比べて相対的に θ1\theta_1 に最も整合する結果でちょうど棄却することを意味する。偽陽性リスクという固定された「予算」 α\alpha を、他のどの結果でもなくそうした結果に使うことで、得られる真陽性の検出力が最大になる。

証明の概略

第1段階(任意の対抗検定を設定する):CC を主張中の尤度比棄却域とし、その指示関数を ϕC\phi_C とする。また DD を P(D∣H0)≤αP(D \mid H_0) \leq \alpha を満たす他の任意の検定の棄却域とし、その指示関数を ϕD\phi_D とする。θ1\theta_1 における検出力が P(C∣H1)≥P(D∣H1)P(C \mid H_1) \geq P(D \mid H_1) を満たすことを示さなければならない。

第2段階(鍵となる各点での不等式):すべての結果 xx について、量 (ϕC(x)−ϕD(x))⋅(L(θ1)−k L(θ0))(\phi_C(x) - \phi_D(x)) \cdot (L(\theta_1) - k \, L(\theta_0)) は決して負にならない。実際、x∈Cx \in C ならば L(θ1)>k L(θ0)L(\theta_1) > k \, L(\theta_0) であり ϕC(x)=1\phi_C(x) = 1 なので ϕC(x)−ϕD(x)≥0\phi_C(x) - \phi_D(x) \geq 0 である。x∉Cx \notin C ならば L(θ1)≤k L(θ0)L(\theta_1) \leq k \, L(\theta_0) であり ϕC(x)=0\phi_C(x) = 0 なので ϕC(x)−ϕD(x)≤0\phi_C(x) - \phi_D(x) \leq 0 である。いずれの場合も2つの因子の積は ≥0\geq 0 となる。

第3段階(不等式を足し合わせる):この非負の量をすべての結果 xx について足し合わせる(あるいは積分する)と、∑x(ϕC(x)−ϕD(x)) L(θ1)−k∑x(ϕC(x)−ϕD(x)) L(θ0)≥0\sum_x (\phi_C(x) - \phi_D(x)) \, L(\theta_1) - k \sum_x (\phi_C(x) - \phi_D(x)) \, L(\theta_0) \geq 0 となり、これは (P(C∣H1)−P(D∣H1))−k(P(C∣H0)−P(D∣H0))≥0\big(P(C \mid H_1) - P(D \mid H_1)\big) - k \big(P(C \mid H_0) - P(D \mid H_0)\big) \geq 0 と書き直せる。

第4段階(有意水準を用いて結論づける):構成により P(C∣H0)=αP(C \mid H_0) = \alpha であり、仮定により P(D∣H0)≤αP(D \mid H_0) \leq \alpha なので、P(C∣H0)−P(D∣H0)≥0P(C \mid H_0) - P(D \mid H_0) \geq 0 である。k≥0k \geq 0 なので、第3段階の最初の括弧から非負の量の kk 倍を引いても不等式は強まるだけであり、P(C∣H1)−P(D∣H1)≥k(P(C∣H0)−P(D∣H0))≥0P(C \mid H_1) - P(D \mid H_1) \geq k \big(P(C \mid H_0) - P(D \mid H_0)\big) \geq 0 となる。したがって P(C∣H1)≥P(D∣H1)P(C \mid H_1) \geq P(D \mid H_1) が示された。

この定理を使うトピック

ステップごとの証明

この定理のステップごとの証明はまだありません。