MathLabs
定理已证明

内曼–皮尔逊引理

命题陈述

考虑基于具有似然函数 L(θ)L(\theta) 的数据,检验简单原假设 H0:θ=θ0H_0: \theta = \theta_0 对简单备择假设 H1:θ=θ1H_1: \theta = \theta_1。设 k≥0k \geq 0 为常数,设 CC 为拒绝域,即 C={x:L(θ1)>k L(θ0)}C = \{x : L(\theta_1) > k \, L(\theta_0)\},并选取使得 P(C∣H0)=αP(C \mid H_0) = \alpha。那么在所有显著性水平不超过 α\alpha 的检验中,拒绝域为 CC 的检验在 θ1\theta_1 处具有最大的功效。

为什么成立?

当似然比 L(θ1)/L(θ0)L(\theta_1)/L(\theta_0) 较大时拒绝,意味着恰好在相对最符合 θ1\theta_1 而非 θ0\theta_0 的那些结果上拒绝;把固定的“预算” α\alpha(假阳性风险)花在这些结果上,而不是其他任何结果上,能换来尽可能大的真阳性检测功效。

证明思路

第一步(设定任意的竞争检验):设 CC 为命题中基于似然比的拒绝域,其指示函数为 ϕC\phi_C;设 DD 为满足 P(D∣H0)≤αP(D \mid H_0) \leq \alpha 的任意其他检验的拒绝域,其指示函数为 ϕD\phi_D。我们需要证明在 θ1\theta_1 处的功效满足 P(C∣H1)≥P(D∣H1)P(C \mid H_1) \geq P(D \mid H_1)。

第二步(一个关键的逐点不等式):对每个结果 xx,量 (ϕC(x)−ϕD(x))⋅(L(θ1)−k L(θ0))(\phi_C(x) - \phi_D(x)) \cdot (L(\theta_1) - k \, L(\theta_0)) 都不会为负。事实上,若 x∈Cx \in C,则 L(θ1)>k L(θ0)L(\theta_1) > k \, L(\theta_0),且由 ϕC(x)=1\phi_C(x) = 1 知 ϕC(x)−ϕD(x)≥0\phi_C(x) - \phi_D(x) \geq 0;若 x∉Cx \notin C,则 L(θ1)≤k L(θ0)L(\theta_1) \leq k \, L(\theta_0),且由 ϕC(x)=0\phi_C(x) = 0 知 ϕC(x)−ϕD(x)≤0\phi_C(x) - \phi_D(x) \leq 0;两种情形下两个因子的乘积都 ≥0\geq 0。

第三步(对不等式求和):对所有结果 xx 把这个非负量求和(或积分),得到 ∑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,可改写为 (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。

第四步(利用显著性水平得出结论):按构造 P(C∣H0)=αP(C \mid H_0) = \alpha,而由假设 P(D∣H0)≤αP(D \mid H_0) \leq \alpha,故 P(C∣H0)−P(D∣H0)≥0P(C \mid H_0) - P(D \mid H_0) \geq 0;又因 k≥0k \geq 0,在第三步的第一个括号中减去 kk 倍的一个非负量只会使不等式更强,即 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,从而 P(C∣H1)≥P(D∣H1)P(C \mid H_1) \geq P(D \mid H_1),即为所证。

用到此定理的主题

分步证明

该定理暂无分步证明。