RV Foutz và RC Srivastava đã kiểm tra vấn đề một cách chi tiết. Bài báo năm 1977 của họ "Hiệu suất của kiểm tra tỷ lệ khả năng khi mô hình không chính xác" chứa một tuyên bố về kết quả phân phối trong trường hợp sai chính tả cùng với một bản phác thảo rất ngắn gọn về bằng chứng, trong khi bài báo năm 1978 của họ "Phân phối tiệm cận của tỷ lệ khả năng khi mô hình không chính xác " chứa bằng chứng -nhưng cái sau được gõ theo kiểu nhà văn kiểu cũ (cả hai bài viết đều sử dụng cùng một ký hiệu, vì vậy bạn có thể kết hợp chúng trong khi đọc). Ngoài ra, đối với một số bước của bằng chứng, họ đề cập đến một bài báo của KP Roy "Một lưu ý về phân phối tỷ lệ khả năng không có triệu chứng" từ năm 1957 dường như không có sẵn trên mạng, thậm chí là có kiểm soát.
Trong trường hợp sai chính tả phân phối, nếu MLE vẫn nhất quán và bình thường không có triệu chứng ( không phải luôn luôn như vậy), thống kê LR theo một cách bất hợp lý một sự kết hợp tuyến tính của các bình phương độc lập (mỗi một mức độ tự do)
- 2 lnλ →dΣi = 1rctôiχ2tôi
trong đó . Người ta có thể thấy "sự tương đồng": thay vì một hình vuông chi tiết với h - m bậc tự do, chúng ta có h - m chi bình phương mỗi hình vuông có một bậc tự do. Nhưng "sự tương tự" dừng lại ở đó, bởi vì sự kết hợp tuyến tính của chi bình phương không có mật độ dạng đóng. Mỗi bình phương tỷ lệ là một gamma, nhưng với một tham số c i khác nhau dẫn đến một tham số tỷ lệ khác nhau cho gamma - và tổng các gamma đó không phải là dạng đóng, mặc dù có thể tính được các giá trị của nó.r = h - mh - mh−mci
Đối với hằng, chúng tôi có c 1 ≥ c 2 ≥ . . . c r ≥ 0 , và họ là những giá trị riêng của ma trận ... mà ma trận? Chà, bằng cách sử dụng ký hiệu tác giả, đặt Λ là Hessian của khả năng đăng nhập và C là sản phẩm bên ngoài của độ dốc của khả năng đăng nhập (theo thuật ngữ dự đoán). Vì vậy, V = Λ - 1 C ( Λ ' ) - 1 là ma trận hiệp phương sai sai-tiệm cận của MLE.cic1≥c2≥...cr≥0ΛCV=Λ−1C(Λ′)−1
Sau đó thiết lập là r × r khối thượng tầng đường chéo của V . Mr×rV
Cũng viết ở dạng khốiΛ
Λ=[Λr×rΛ2Λ′2Λ3]
và bộ ( W là tiêu cực của Schur Complement của Λ ).W=−Λr×r+Λ′2Λ−13Λ2WΛ
Thì là giá trị riêng của ma trận M W được đánh giá ở giá trị thực của các tham số.ciMW
ĐỊA CHỈ
Trả lời nhận xét hợp lệ của OP trong các bình luận (đôi khi, thực sự, các câu hỏi trở thành bàn đạp để chia sẻ một kết quả chung hơn và bản thân chúng có thể bị bỏ qua trong quá trình này), đây là cách tiến hành bằng chứng của Wilks: Wilks bắt đầu với khớp phân phối bình thường của MLE và tiến hành rút ra biểu thức chức năng của Tỷ lệ khả năng. Lên đến và bao gồm cả eq của mình. , bằng chứng có thể tiến lên ngay cả khi chúng ta giả sử rằng chúng ta có lỗi chính tả phân phối: như OP lưu ý, các điều khoản của ma trận hiệp phương sai sẽ khác nhau trong kịch bản sai chính tả, nhưng tất cả Wilks đều lấy đạo hàm và xác định điều khoản không có triệu chứng không đáng kể. Và vì vậy anh ta đến eq. [ 9 ][9][9]trong đó chúng ta thấy rằng thống kê tỷ lệ khả năng, nếu đặc điểm kỹ thuật là chính xác, chỉ là tổng của các biến ngẫu nhiên chuẩn bình thường bình phương, và do đó chúng được phân phối dưới dạng một bình phương với bậc tự do h - m : (ký hiệu chung )h−mh−m
−2lnλ=∑i=1h−m(n−−√θ^i−θiσi)2→dχ2h−m
Nhưng nếu chúng ta có thông số sai lệch, sau đó các điều khoản được sử dụng để mở rộng quy mô các MLE trung và phóng đại không còn các điều khoản đó sẽ làm cho các phương sai của mỗi phần tử bằng để thống nhất, và do đó thay đổi mỗi hạn vào một rv bình thường tiêu chuẩn và số tiền vào một chi-vuông.
Và chúng thì không, bởi vì các thuật ngữ này liên quan đến cácgiá trị dự kiếncủa các dẫn xuất thứ hai của khả năng đăng nhập ... nhưng giá trị mong đợi chỉ có thể được thực hiện đối với phân phối thực sự, vì MLE là một chức năng của dữ liệu và dữ liệu tuân theo phân phối thực, trong khi các dẫn xuất thứ hai của khả năng đăng nhập được tính dựa trên giả định mật độ sai. n−−√(θ^−θ)
So under misspecification we have something like
−2lnλ=∑i=1h−m(n−−√θ^i−θiai)2
and the best we can do is to manipulate it into
−2lnλ=∑i=1h−mσ2ia2i(n−−√θ^i−θiσi)2=∑i=1h−mσ2ia2iχ21
which is a sum of scaled chi-square r.v.'s, no longer distributed as one chi-square r.v. with h−m degrees of freedom. The reference provided by the OP is indeed a very clear exposition of this more general case that includes Wilks' result as a special case.