Raport de probabilitate monotonă - Monotone likelihood ratio
Raportul funcțiilor de densitate de mai sus crește în parametru , deci îndeplinește proprietatea raportului de probabilitate monotonă .
În statistici , proprietatea raportului de probabilitate monotonă este o proprietate a raportului dintre două funcții de densitate de probabilitate (PDF-uri). În mod formal, distribuțiile ƒ ( x ) și g ( x ) poartă proprietatea dacă
adică dacă raportul nu este în scădere în argument .
Dacă funcțiile sunt diferențiate mai întâi, proprietatea poate fi uneori menționată
Pentru două distribuții care satisfac definiția cu privire la un argument x, spunem că „au MLRP în x ”. Pentru o familie de distribuții care satisfac toate definiția cu privire la unele statistici T ( X ), spunem că „au MLR în T ( X )”.
Intuiţie
MLRP este utilizat pentru a reprezenta un proces de generare a datelor care se bucură de o relație directă între magnitudinea unei variabile observate și distribuția din care trage. Dacă satisface MLRP în ceea ce privește , cu cât valoarea observată este mai mare, cu atât este mai probabil să fie extrasă din distribuție decât . Ca de obicei pentru relațiile monotonice, monotonicitatea raportului de probabilitate este utilă în statistici, în special atunci când se utilizează estimarea maximă a probabilității . De asemenea, familiile de distribuție cu MLR au o serie de proprietăți stocastice bine comportate, cum ar fi dominanța stocastică de ordinul întâi și raporturile de risc crescătoare . Din păcate, așa cum este obișnuit, forța acestei presupuneri vine la prețul realismului. Multe procese din lume nu prezintă o corespondență monotonă între intrare și ieșire.
Exemplu: Muncind din greu sau slăbind
Să presupunem că lucrați la un proiect și că puteți lucra din greu sau relaxați-vă. Apelați-vă alegerea efortului și calitatea proiectului rezultat . Dacă MLRP menține distribuția q în funcție de efortul dvs. , cu cât este mai mare calitatea, cu atât este mai probabil să lucrați din greu. În schimb, cu cât este mai scăzută calitatea, cu atât este mai probabil să vă relaxați.
- Alegeți efortul unde H înseamnă mare, L înseamnă scăzut
- Respectați extras din . Conform legii lui Bayes cu un prior uniform,
- Să presupunem că îndeplinește MLRP. Rearanjând, probabilitatea muncitorului a lucrat din greu este
- care, datorită MLRP, crește monoton în (deoarece scade în ). Prin urmare, dacă un angajator face o „revizuire a performanței”, el poate deduce comportamentul angajatului său din meritele muncii sale.
Familii de distribuții care satisfac MLR
Modelele statistice presupun adesea că datele sunt generate de o distribuție de la o anumită familie de distribuții și caută să determine acea distribuție. Această sarcină este simplificată dacă familia are proprietatea raportului de probabilitate monotonă (MLRP).
Se spune că o familie de funcții de densitate indexate de un parametru care ia valori într-un set ordonat are un raport de probabilitate monoton (MLR) în statistică, dacă este cazul ,
- este o funcție nedescrescătoare a .
Apoi spunem că familia distribuțiilor „are MLR în ”.
Lista familiilor
Familie | în care are MLR |
---|---|
Exponențială | observații |
Binom | observații |
Poisson | observații |
Normal | dacă se știe, observații |
Testarea ipotezei
Dacă familia de variabile aleatorii are MLRP în , un test uniform cel mai puternic poate fi ușor determinat pentru ipoteza versus .
Exemplu: Efort și rezultat
Exemplu: Fie o intrare într-o tehnologie stocastică - efortul muncitorului, de exemplu - și rezultatul acesteia, a cărui probabilitate este descrisă de o funcție de densitate a probabilității. Atunci proprietatea raportului de probabilitate monotonă (MLRP) a familiei este exprimată după cum urmează: pentru orice , faptul că implică faptul că raportul este în creștere în .
Relația cu alte proprietăți statistice
Probabilitățile monotone sunt utilizate în mai multe domenii ale teoriei statistice, inclusiv estimarea punctelor și testarea ipotezelor , precum și în modelele de probabilitate .
Familii exponențiale
Familiile exponențiale cu un singur parametru au funcții de probabilitate monotone. În special, familia exponențială unidimensională a funcțiilor densității probabilității sau a funcției masei probabilității cu
are un raport de probabilitate monoton nedescrescător în statistica suficientă T ( x ), cu condiția să fie nedescrescător.
Cele mai puternice teste: teorema Karlin – Rubin
Funcțiile de probabilitate monotonă sunt utilizate pentru a construi cele mai puternice teste uniforme , conform teoremei Karlin – Rubin . Luați în considerare o măsurare scalară având o funcție de densitate a probabilității parametrizată de un parametru scalar θ și definiți raportul de probabilitate . Dacă monotona nu este descrescătoare, în , pentru orice pereche (ceea ce înseamnă că cu cât este mai mare , cu atât este mai probabil ), atunci testul de prag:
- unde este ales astfel încât
este testul UMP de mărime α pentru testare
Rețineți că exact același test este, de asemenea, UMP pentru testare
Estimare medie imparțială
Funcțiile de probabilitate monotone sunt folosite pentru a construi estimatori nepărtinitori median , folosind metode specificate de Johann Pfanzagl și alții. Un astfel de procedeu este un analog al procedurii Rao – Blackwell pentru estimatorii fără prejudecăți medii : Procedura este valabilă pentru o clasă mai mică de distribuții de probabilitate decât o face procedura Rao-Blackwell pentru estimarea medie imparțială, dar pentru o clasă mai mare de funcții de pierdere .
Analiza vieții: analiza supraviețuirii și fiabilitate
Dacă o familie de distribuții are proprietatea raportului de probabilitate monotonă în ,
- familia are rate de risc scăzute monotone în (dar nu neapărat în )
- familia prezintă primul-comanda (și , prin urmare , a doua ordine) dominanta stocastice în , și cea mai bună actualizare a Bayesian este în creștere .
Dar nu invers: nici ratele de risc monotone și nici dominanța stocastică nu implică MLRP.
Dovezi
Fie ca familia de distribuție să satisfacă MLR în x , astfel încât pentru și :
sau echivalent:
Integrând această expresie de două ori, obținem:
1. To cu privire la
integrați și rearanjați pentru a obține |
2. De la cu privire la
integrați și rearanjați pentru a obține |
Dominanță stochastică de ordinul întâi
Combinați cele două inegalități de mai sus pentru a obține o poziție dominantă de ordinul întâi:
Rata de pericol monotonă
Folosiți doar a doua inegalitate de mai sus pentru a obține o rată de risc monotonă:
Utilizări
Economie
MLR este o condiție importantă a distribuției de tip a agenților în proiectarea mecanismului . Majoritatea soluțiilor la modelele de proiectare a mecanismelor presupun o distribuție de tip pentru a satisface MLR pentru a profita de o metodă comună de soluție.
Referințe
- ^ Casella, G .; Berger, RL (2008), inferență statistică , Brooks / Cole. ISBN 0-495-39187-5 (Teorema 8.3.17)
- ^ Pfanzagl, Johann (1979). "Pe estimatori median optimi imparțiali în prezența parametrilor de neplăcere" . Analele Statisticii . 7 (1): 187–193. doi : 10.1214 / aos / 1176344563 .
- ^ a b Brown, LD ; Cohen, Arthur; Strawderman, WE (1976). „O teoremă completă de clasă pentru un raport strict de probabilitate monotonă cu aplicații” . Ann. Statistică . 4 (4): 712-722. doi : 10.1214 / aos / 1176343543 .