WikiDer > Многомерная задача Беренса – Фишера - Википедия

В статистика, то многомерная задача Беренса – Фишера это задача проверки равенства средних из двух многомерный нормальный распределения, когда ковариационные матрицы неизвестны и, возможно, не равны. Поскольку это обобщение одномерной Проблема Беренса-Фишера, он унаследовал все трудности, возникающие в одномерной задаче.

Обозначения и постановка задачи

Позволять ${ Displaystyle X_ {ij} sim { mathcal {N}} _ {p} ( mu _ {i}, , Sigma _ {i}) (j = 1, dots, n_ {i }; i = 1,2) }$ быть независимыми случайными выборками из двух ${ displaystyle p}$-вариантные нормальные распределения с неизвестными средними векторами ${ Displaystyle mu _ {я}}$ и неизвестно матрицы дисперсии ${ displaystyle Sigma _ {i}}$. Индекс ${ displaystyle i}$ относится к первой или второй популяции, а ${ displaystyle j}$-е наблюдение из ${ displaystyle i}$-я популяция ${ displaystyle X_ {ij}}$.

Многомерная задача Беренса – Фишера состоит в проверке нулевой гипотезы ${ displaystyle H_ {0}}$ что средства равны по сравнению с альтернативой ${ displaystyle H_ {1}}$ неравенства:

${ displaystyle H_ {0}: mu _ {1} = mu _ {2} { text {vs}} H_ {1}: mu _ {1} neq mu _ {2 }.}$

Определите некоторые статистические данные, которые используются в различных попытках решить многомерную задачу Беренса – Фишера, следующим образом:

${ displaystyle { begin {align} { bar {X_ {i}}} & = { frac {1} {n_ {i}}} sum _ {j = 1} ^ {n_ {i}} X_ {ij}, A_ {i} & = sum _ {j = 1} ^ {n_ {i}} (X_ {ij} - { bar {X_ {i}}}) (X_ {ij} - { bar {X_ {i}}}) ', S_ {i} & = { frac {1} {n_ {i} -1}} A_ {i}, { tilde {S_ {i }}} & = { frac {1} {n_ {i}}} S_ {i}, { tilde {S}} & = { tilde {S_ {1}}} + { tilde {S_ {2}}}, quad { text {and}} T ^ {2} & = ({ bar {X_ {1}}} - { bar {X_ {2}}}) '{ тильда {S}} ^ {- 1} ({ bar {X_ {1}}} - { bar {X_ {2}}}). end {align}}}$

Образец означает ${ displaystyle { bar {X_ {i}}}}$ и матрицы суммы квадратов ${ displaystyle A_ {i}}$ находятся достаточный для многомерных нормальных параметров ${ Displaystyle му _ {я}, Sigma _ {я}, (я = 1,2)}$, поэтому достаточно сделать вывод, основываясь только на этой статистике. Распределения ${ displaystyle { bar {X_ {i}}}}$ и ${ displaystyle A_ {i}}$ независимы и соответственно многомерный нормальный и Wishart:^[1]

${ displaystyle { begin {align} { bar {X_ {i}}} & sim { mathcal {N}} _ {p} left ( mu _ {i}, Sigma _ {i} / n_ {i} right), A_ {i} & sim W_ {p} ( Sigma _ {i}, n_ {i} -1). end {align}}}$

Фон

В случае равенства дисперсионных матриц распределение ${ displaystyle T ^ {2}}$ статистика, как известно, F распределение под нулем и нецентральное F-распределение под альтернативу.^[1]

Основная проблема заключается в том, что, когда истинные значения дисперсионной матрицы неизвестны, то при нулевой гипотезе вероятность отклонения ${ displaystyle H_ {0}}$ через ${ displaystyle T ^ {2}}$ тест зависит от неизвестных дисперсионных матриц.^[1] На практике эта зависимость вредит выводам, когда матрицы дисперсии находятся далеко друг от друга или когда размер выборки недостаточно велик для их точной оценки.^[1]

Теперь средние векторы распределены независимо и нормально,

${ displaystyle { bar {X_ {i}}} sim { mathcal {N}} _ {p} left ( mu _ {i}, Sigma _ {i} / n_ {i} right) ,}$

но сумма ${ displaystyle A_ {1} + A_ {2}}$ не следует распределению Уишарта,^[1] что затрудняет вывод.

Предлагаемые решения

Предлагаемые решения основаны на нескольких основных стратегиях:^[2][3]

• Вычислить статистику, имитирующую ${ displaystyle T ^ {2}}$ статистика и которые имеют приблизительную ${ displaystyle F}$ распределение с предполагаемыми степенями свободы (df).
• Использовать обобщенные p-значения на основе обобщенные тестовые переменные.
• Используйте принцип объединения-пересечения Роя ^[3][4][5]

Подходы с использованием Т² с приблизительными степенями свободы

Ниже, ${ displaystyle mathrm {tr}}$ указывает на оператор трассировки.

Яо (1965)

(цитируется ^[6])

${ displaystyle T ^ {2} sim { frac { nu p} { nu -p + 1}} F_ {p, nu -p + 1},}$

куда

${ displaystyle { begin {align} nu & = left [{ frac {1} {n_ {1}}}} left ({ frac {{ bar {X}} _ {d} '{ тильда {S}} ^ {- 1} { tilde {S}} _ {1} { tilde {S}} ^ {- 1} { bar {X_ {d}}}} {{ bar {X }} _ {d} '{ tilde {S}} ^ {- 1} { bar {X}} _ {d}}} right) ^ {2} + { frac {1} {n_ {2 }}} left ({ frac {{ bar {X}} _ {d} '{ tilde {S}} ^ {- 1} { tilde {S}} _ {2} { tilde {S }} ^ {- 1} X_ {d} ^ {- 1}} {{ bar {X}} _ {d} '{ tilde {S}} ^ {- 1} { bar {X}} _ {d}}} right) ^ {2} right] ^ {- 1}, { bar {X}} _ {d} & = { bar {X}} _ {1} - { бар {X}} _ {2}. end {align}}}$

Йохансен (1980)

(цитируется ^[6])

${ Displaystyle Т ^ {2} sim qF_ {p, nu},}$

куда

${ displaystyle { begin {align} q & = p + 2D - { frac {6D} {p (p-1) +2}}, nu & = { frac {p (p + 2)} {3D}}, конец {выровнено}}}$

и

${ displaystyle { begin {align} D = { frac {1} {2}} sum _ {i = 1} ^ {2} { frac {1} {n_ {i}}} { Bigg {} & mathrm {tr} left [{ left (I - ({ tilde {S}} _ {1} ^ {- 1} + { tilde {S}} _ {2} ^ {- 1}) ^ {- 1} { tilde {S}} _ {i} ^ {- 1} right)} ^ {2} right] & {} + { left [ mathrm {tr} left (I - ({ tilde {S}} _ {1} ^ {- 1} + { tilde {S}} _ {2} ^ {- 1}) ^ {- 1} { tilde {S }} _ {i} ^ {- 1} right) right]} ^ {2} { Bigg }}. конец {выровнено}}}$

Нел и Ван дер Мерве (1986)

(цитируется ^[6])

${ displaystyle T ^ {2} sim { frac { nu p} { nu -p + 1}} F_ {p, nu -p + 1},}$

куда

${ displaystyle nu = { frac { mathrm {tr} ({ tilde {S}} ^ {2}) + [ mathrm {tr} ({ tilde {S}})] ^ {2}} {{ frac {1} {n_ {1}}} left { mathrm {tr} ({ tilde {S_ {1}}} ^ {2}) + [ mathrm {tr} ({ tilde {S_ {1}}})] ^ {2} right } + { frac {1} {n_ {2}}} left { mathrm {tr} ({ tilde {S_ {2}} } ^ {2}) + [ mathrm {tr} ({ tilde {S_ {2}}})] ^ {2} right }}}.}.$

Комментарии к выступлению

Ким (1992) предложил решение, основанное на варианте ${ displaystyle T ^ {2}}$. Хотя его мощность высока, тот факт, что он не инвариантен, делает его менее привлекательным. Моделирование, проведенное Субраманиамом и Субраманиамом (1973), показывает, что размер теста Яо ближе к номинальному уровню, чем у Джеймса. Кристенсен и Ренчер (1997) провели численные исследования, сравнивая несколько из этих процедур тестирования, и пришли к выводу, что тесты Ким, Нел и Ван дер Мерве обладают наибольшей мощностью. Однако эти две процедуры не инвариантны.

Кришнамурти и Ю (2004)

Кришнамурти и Ю (2004) предложили процедуру, которая корректирует в Нел и Вар дер Мерве (1986) приблизительную df для знаменателя ${ displaystyle T ^ {2}}$ под нулевым распределением, чтобы сделать его инвариантным. Они показывают, что приблизительные степени свободы лежат в интервале${ displaystyle left [ min {n_ {1} -1, n_ {2} -1 }, n_ {1} + n_ {2} -2 right]}$чтобы гарантировать, что степени свободы не отрицательные. Они сообщают о численных исследованиях, которые показывают, что их процедура столь же эффективна, как тест Неля и Ван дер Мерве для меньшего измерения, и более эффективна для большего измерения. В целом они утверждают, что их процедура лучше, чем инвариантные процедуры Яо (1965) и Йохансена (1980). Таким образом, процедура Кришнамурти и Ю (2004) имеет самый известный размер и мощность по состоянию на 2004 год.

Статистика теста ${ displaystyle T ^ {2}}$ в процедуре Кришнмурти и Ю следует распределению${ displaystyle T ^ {2} sim nu pF_ {p, nu -p + 1} / ( nu -p + 1),}$ куда

${ displaystyle nu = { frac {p + p ^ {2}} {{ frac {1} {n_ {1} -1}} { mathrm {tr} [({ tilde {S}}) _ {1} { tilde {S}} ^ {- 1}) ^ {2}] + [ mathrm {tr} ({ tilde {S}} _ {1} { tilde {S}} ^ { -1})] ^ {2} } + { frac {1} {n_ {2} -1}} { mathrm {tr} [({ tilde {S}} _ {2} { tilde {S}} ^ {- 1}) ^ {2}] + [ mathrm {tr} ({ tilde {S}} _ {2} { tilde {S}} ^ {- 1})] ^ { 2} }}}.}$

Рекомендации

• Родригес-Кортес, Ф. Дж. И Нагар, Д. К. (2007). Процентные баллы для проверки равенства средних векторов. Журнал Нигерийского математического общества, 26:85–95.
• Гупта А. К., Нагар Д. К., Матеу Дж. И Родригес-Кортес Ф. Дж. (2013). Процентные точки тестовой статистики, полезной в manova со структурированными ковариационными матрицами. Журнал прикладной статистической науки, 20:29-41.