Likelihood-Quotienten-Test

Der Likelihood-Quotienten-Test (kurz LQT), auch Plausibilitätsquotiententest (englisch likelihood-ratio test), ist ein statistischer Test, der zu den typischen Hypothesentests in parametrischen Modellen gehört. Viele klassische Tests wie der F-Test für den Varianzenquotienten oder der Zwei-Stichproben-t-Test lassen sich als Beispiele für Likelihood-Quotienten-Tests interpretieren. Einfachstes Beispiel eines Likelihood-Quotienten-Tests ist der Neyman-Pearson-Test.

Definition

Formal betrachtet man das typische parametrische Testproblem: Gegeben ist eine Grundmenge von Wahrscheinlichkeitsverteilungen ${\displaystyle P_{\theta }}$, abhängig von einem unbekannten Parameter ${\displaystyle \theta }$, der aus einer bekannten Grundmenge ${\displaystyle \Theta }$ stammt. Als Nullhypothese ${\displaystyle H_{0}}$ soll getestet werden, ob der Parameter zu einer echten Teilmenge ${\displaystyle \Theta _{0}}$ gehört. Also:

${\displaystyle H_{0}\colon \theta \in \Theta _{0}}$.

Die Alternative ${\displaystyle H_{1}}$ lautet entsprechend:

${\displaystyle H_{1}\colon \theta \in \Theta _{1}}$,

wobei ${\displaystyle \Theta _{1}}$ das Komplement zu ${\displaystyle \Theta _{0}}$ in ${\displaystyle \Theta }$ bezeichnet.

Die beobachteten Daten sind Realisierungen von Zufallsvariablen ${\displaystyle X_{1},\dotsc ,X_{n}}$, die jeweils die (unbekannte) Verteilung ${\displaystyle P_{\theta }}$ besitzen und stochastisch unabhängig sind.

Der Begriff des Likelihood-Quotienten-Tests suggeriert bereits, dass die Entscheidung des Tests auf der Bildung eines Likelihood-Quotienten bzw. Plausibilitätsquotienten (Quotient zweier Likelihood-Funktionen bzw. Plausibilitätsfunktionen) beruht. Man geht dabei so vor, dass man ausgehend von den Daten ${\displaystyle x=(x_{1},\dotsc ,x_{n})\;}$ und den zu den einzelnen Parametern gehörenden Dichtefunktionen ${\displaystyle f^{X_{1},\dotsc ,X_{n}}(\cdot ;\theta )}$ den folgenden Ausdruck berechnet:

${\displaystyle \Lambda (x):={\frac {\sup _{\theta \in \Theta _{0}}f^{X_{1},\dotsc ,X_{n}}(x_{1},\dotsc ,x_{n};\theta )}{\sup _{\theta \in \Theta }f^{X_{1},\dotsc ,X_{n}}(x_{1},\dotsc ,x_{n};\theta )}}}$.

Heuristisch gesprochen: Man bestimmt anhand der Daten zunächst den Parameter aus der gegebenen Grundmenge, der die größte Wahrscheinlichkeit dafür liefert, dass die gefundenen Daten gemäß der Verteilung ${\displaystyle P_{\theta }}$ realisiert worden sind. Der Wert der Dichtefunktion bezüglich dieses Parameters wird dann als repräsentativ für die gesamte Menge gesetzt. Im Zähler betrachtet man als Grundmenge den Raum der Nullhypothese, also ${\displaystyle \Theta _{0}}$; für den Nenner betrachtet man die gesamte Grundmenge ${\displaystyle \Theta }$.

Es lässt sich intuitiv schließen: Je größer der Quotient ist, desto schwächer ist die Evidenz gegen ${\displaystyle H_{0}}$. Ein Wert von ${\displaystyle \Lambda (x)}$ in der Nähe von Eins bedeutet, dass anhand der Daten kein großer Unterschied zwischen den beiden Parametermengen ${\displaystyle \Theta }$ und ${\displaystyle \Theta _{0}}$ zu erkennen ist. Die Nullhypothese sollte in solchen Fällen also nicht verworfen werden.

Demnach wird bei einem Likelihood-Quotienten-Test die Hypothese ${\displaystyle H_{0}}$ zum Niveau ${\displaystyle \alpha }$ abgelehnt, falls

${\displaystyle \Lambda (x)$

gilt. Hierbei ist der kritische Wert ${\displaystyle k_{\alpha }^{*}}$ so zu wählen, dass ${\displaystyle \sup _{\theta \in \Theta _{0}}P_{\theta }(\Lambda (X)$ gilt.

Die konkrete Bestimmung dieses kritischen Werts ist in der Regel problematisch.

Beispiel 1

Für unabhängige Zufallsvariablen ${\displaystyle X_{1},\dotsc ,X_{n}}$, die jeweils eine Normalverteilung mit bekannter Varianz ${\displaystyle \sigma ^{2}}$ und unbekanntem Erwartungswert ${\displaystyle \mu }$ besitzen, ergibt sich für das Testproblem ${\displaystyle H_{0}\colon \mu =\mu _{0}}$ gegen ${\displaystyle H_{1}\colon \mu =\mu _{1}}$ mit ${\displaystyle \mu _{0}<\mu _{1}}$ der folgende Likelihood-Quotient:

${\displaystyle \Lambda (X)=\exp \left({\frac {1}{\sigma ^{2}}}\sum _{l=1}^{n}X_{l}\left(\mu _{1}-\mu _{0}\right)\right)k\left(\mu _{0},\mu _{1},\sigma ^{2}\right)}$

mit der von den konkreten Daten unabhängigen Konstanten ${\displaystyle k(\mu _{0},\mu _{1},\sigma ^{2})=\exp \left(-{\frac {n}{2\sigma ^{2}}}(\mu _{1}^{2}-\mu _{0}^{2})\right)}$. Man erhält dann, dass ${\displaystyle \Lambda (X)>{\tilde {c}}}$ äquivalent zur Ungleichung

${\displaystyle {\frac {1}{n}}\sum _{i=1}^{n}X_{i}>c}$

ist. Dies liefert als Resultat den bekannten Gauß-Test; man wählt ${\displaystyle c=\mu _{0} {\frac {\sigma }{\sqrt {n}}}u_{1-a}}$, wobei ${\displaystyle u_{1-a}}$ das ${\displaystyle (1-\alpha )}$-Quantil einer Standardnormalverteilung bezeichnet.

Approximation der Likelihood-Quotienten-Funktion durch eine Chi-Quadrat-Verteilung

Unter bestimmten Voraussetzungen lässt sich die im Allgemeinen schwierig zu betrachtende Teststatistik ${\displaystyle \Lambda (X)}$ durch Chi-Quadrat-verteilte Zufallsvariablen annähern, so dass sich vergleichsweise leicht asymptotische Tests herleiten lassen. In der Regel ist das möglich, wenn die Nullhypothese sich durch eine lineare Parameter-Transformation als ein Spezialfall der Alternativ-Hypothese darstellen lässt, wie im unten genannten Beispiel des Münzwurfes. Präzise formuliert ist neben eher technischen Annahmen an die Verteilungsfamilie ${\displaystyle P_{\theta }}$ die folgende Annahme einer „Parametrisierbarkeit der Nullhypothese“ fundamental:

Es seien der Parameterraum der Alternative ${\displaystyle \Theta \subset \mathbb {R} ^{d}}$ und der Nullhypothese ${\displaystyle \Delta \subset \mathbb {R} ^{c}}$ gegeben, beide Mengen seien offen und es gelte: ${\displaystyle c$. Zudem existiere eine zweimal stetig differenzierbare Abbildung ${\displaystyle h\colon \Delta \rightarrow \Theta }$ mit ${\displaystyle h(\Delta )=\Theta _{0}}$, deren Jacobi-Matrix ${\displaystyle h'(\eta )}$ für jedes ${\displaystyle \eta \in \Delta }$ vollen Rang besitzt.

Dann gilt:

${\displaystyle T_{n}:=-2\log \Lambda (X)\rightarrow \chi _{d-c}^{2}}$,

wobei die Zufallsvariablen in Verteilung konvergieren.

Die Beweisidee beruht auf einer Aussage über die Existenz von Maximum-Likelihood-Schätzern in allgemeinen parametrischen Familien und ihrer Konvergenz gegen eine normalverteilte Zufallsvariable, deren Varianz das Inverse der Fisher-Information ist.

Beispiel 2: Münzwurf

Ein Beispiel ist der Vergleich, ob zwei Münzen die gleiche Wahrscheinlichkeit haben, Kopf als Ergebnis zu erhalten (Nullhypothese). Wird die erste Münze ${\displaystyle N}$-mal geworfen mit ${\displaystyle n}$ Kopfwürfen und die zweite Münze ${\displaystyle M}$-mal geworfen mit ${\displaystyle m}$ Kopfwürfen, dann ergibt sich die Kontingenztabelle unter Beobachtungen. Unter Gültigkeit der Nullhypothese (${\displaystyle p=q}$) und der Alternativhypothese (${\displaystyle p\neq q}$) ergeben sich die Wahrscheinlichkeiten wie unter Alternativhypothese und Nullhypothese.

Unter Gültigkeit der Nullhypothese ergibt sich die Likelihood-Funktion als

${\displaystyle L_{H0}(n,m)=r^{n}(1-r)^{N-n}r^{m}(1-r)^{M-m}=r^{n m}(1-r)^{N-n M-m}}$

und es folgt mit Hilfe der Log-Likelihood-Funktion die Schätzung ${\displaystyle {\hat {r}}=(n m)/(N M)}$.

Unter Gültigkeit der Alternativhypothese ergibt sich die Likelihood-Funktion als

${\displaystyle L_{H1}(n,m)=p^{n}(1-p)^{N-n}q^{m}(1-q)^{M-m}}$

und es folgt mit Hilfe der Log-Likelihood-Funktion die Schätzungen ${\displaystyle {\hat {p}}=n/N}$ bzw. ${\displaystyle {\hat {q}}=m/M}$.

Damit ergibt sich ${\displaystyle \Lambda }$ als

${\displaystyle \Lambda (n,m)={\frac {\left({\frac {n m}{N M}}\right)^{n m}\left(1-{\frac {n m}{N M}}\right)^{N-n M-m}}{\left({\frac {n}{N}}\right)^{n}\left(1-{\frac {n}{N}}\right)^{N-n}\left({\frac {m}{M}}\right)^{m}\left(1-{\frac {m}{M}}\right)^{M-m}}}}$

und als Prüfwert

${\displaystyle -2\log(\Lambda (m,n))}$,

der mit einem vorgegebenen kritischen Wert aus der ${\displaystyle \chi _{1}^{2}}$-Verteilung verglichen wird. Da wir in der Alternativhypothese zwei Parameter (${\displaystyle p}$, ${\displaystyle q}$) und in der Nullhypothese einen Parameter (${\displaystyle r}$) haben, ergibt sich die Anzahl der Freiheitsgrade als ${\displaystyle 2-1=1}$.

Literatur

P. J. Bickel, K. Doksum: Mathematical statistics. Holden-Day.