統計検定 1級 2018年 医薬生物学 問2 マクネマー検定

公開日: 更新日:

【2023年1月4週】 【A000】生物統計学 【D000】統計検定 過去問

この記事をシェアする
  • B!
サムネイル画像

本稿には、2018年に実施された統計検定1級『医薬生物学』 問2の自作解答案を掲載しています。なお、閲覧にあたっては、以下の点にご注意ください。

  • 著作権の関係上、問題文は、掲載することができません。申し訳ありませんが、閲覧者のみなさまでご用意いただければ幸いです。
  • この答案は、あくまでも筆者が自作したものであり、公式なものではありません。正式な答案については、公式問題集をご参照ください。
  • 計算ミスや誤字・脱字などがありましたら、コメントなどでご指摘いただければ大変助かります。
  • スマートフォンやタブレット端末でご覧の際、数式が見切れている場合は、横にスクロールすることができます。

〔1〕有効率を比較するバラメータの推定量の分散

多項分布の分散・共分散の公式より、$n_{ij} \left(i=1,2,j=1.2\right)$ について、 \begin{gather} V \left(n_{ij}\right)=n\pi_{ij} \left(1-\pi_{ij}\right)\\ \mathrm{Cov} \left(n_{ij},n_{st}\right)=-n\pi_{ij}\pi_{st} \left(i \neq s,j \neq t\right) \end{gather} したがって、分散の性質より、 \begin{align} V \left(\hat{\delta}\right)&=V \left(\frac{n_{12}-n_{21}}{n}\right)\\ &=\frac{1}{n^2} \left\{V \left(n_{12}\right)+V \left(n_{21}\right)-2\mathrm{Cov} \left(n_{12},n_{21}\right)\right\}\\ &=\frac{1}{n^2} \left\{n\pi_{12} \left(1-\pi_{12}\right)+n\pi_{21} \left(1-\pi_{21}\right)+2n\pi_{12}\pi_{21}\right\}\\ &=\frac{1}{n} \left(\pi_{12}-\pi_{12}^2+\pi_{21}-\pi_{21}^2+2\pi_{12}\pi_{21}\right) \end{align} $\blacksquare$

〔2〕信頼区間の導出

母集団確率の推定値は、標本確率で推定するので、 \begin{align} {\hat{\pi}}_{12}=\frac{n_{12}}{n} \quad {\hat{\pi}}_{21}=\frac{n_{21}}{n} \end{align} これを〔1〕の結果の式に代入すると、 \begin{align} \hat{V} \left(\hat{\delta}\right)&=\frac{1}{n} \left({\hat{\pi}}_{12}+{\hat{\pi}}_{21}-{\hat{\pi}}_{12}^2-{\hat{\pi}}_{21}^2+2{\hat{\pi}}_{12}{\hat{\pi}}_{21}\right)\\ &=\frac{1}{n} \left(\frac{n_{12}}{n}+\frac{n_{21}}{n}-\frac{n_{12}^2}{n^2}-\frac{n_{21}^2}{n^2}+2\frac{n_{12}}{n} \cdot \frac{n_{21}}{n}\right)\\ &=\frac{1}{n} \left(\frac{n_{12}+n_{21}}{n}-\frac{n_{12}^2-2n_{12}n_{21}+n_{21}^2}{n^2}\right)\\ &=\frac{n_{12}+n_{21}}{n^2}-\frac{ \left(n_{12}-n_{21}\right)^2}{n^3} \end{align} ここで、 \begin{align} Z=\frac{\hat{\delta}-\delta}{\sqrt{\hat{V} \left(\hat{\delta}\right)}} \end{align} として、 多項分布の正規近似を用いて、$\delta=\pi_{12}-\pi_{21}$ の $100 \left(1-\alpha\right)\%$ 両側信頼区間は、 \begin{gather} \hat{\delta}-Z_\frac{\alpha}{2} \cdot \sqrt{\hat{V} \left(\hat{\delta}\right)} \le \delta \le \hat{\delta}+Z_\frac{\alpha}{2} \cdot \sqrt{\hat{V} \left(\hat{\delta}\right)} \end{gather} $\blacksquare$

〔3〕母集団確率の最尤推定量

(i)帰無仮説の下での最尤推定最
多項係数部分を除いて、尤度関数 $L \left(\theta\right)$ を求めると、 \begin{align} L \left(\boldsymbol{\pi}\right)=\prod_{i=1}^{2}\prod_{j=1}^{2}\pi_{ij}^{n_{ij}} \end{align} 対数尤度関数 $l \left(\theta\right)=\log{L \left(\theta\right)}$ を求めると、 \begin{align} l \left(\boldsymbol{\pi}\right)=\sum_{i=1}^{2}\sum_{j=1}^{2}{n_{ij}\log{\pi_{ij}}} \end{align} 帰無仮説のもとでは、次の制約がある。 \begin{gather} \sum_{i=1}^{2}\sum_{j=1}^{2}\pi_{ij}=1\\ \delta=0\Leftrightarrow\pi_{12}=\pi_{21} \end{gather} ラグランジュの未定乗数法により、次式を最大にする $\pi_{ij}$ を求める。 \begin{align} l_0 \left(\boldsymbol{\pi}\right)=\sum_{i=1}^{2}\sum_{j=1}^{2}{n_{ij}\log{\pi_{ij}}}-\lambda \left(\sum_{i=1}^{2}\sum_{j=1}^{2}\pi_{ij}-1\right)-\phi \left(\pi_{12}-\pi_{21}\right) \end{align} $l_0 \left(\boldsymbol{\pi}\right)$ を未知パラメータ $\pi_{ij} \left(i=1,2,j=1,2\right),\lambda,\phi$ で偏徴分して0 と置いた方程式を解く。 \begin{gather} \frac{\partial}{\partial\pi_{11}}l_0 \left(\boldsymbol{\pi}\right)=\frac{n_{11}}{\pi_{11}}-\lambda\tag{1}\\ \frac{\partial}{\partial\pi_{12}}l_0 \left(\boldsymbol{\pi}\right)=\frac{n_{12}}{\pi_{12}}-\lambda-\phi\tag{2}\\ \frac{\partial}{\partial\pi_{21}}l_0 \left(\boldsymbol{\pi}\right)=\frac{n_{21}}{\pi_{21}}-\lambda+\phi\tag{3}\\ \frac{\partial}{\partial\pi_{22}}l_0 \left(\boldsymbol{\pi}\right)=\frac{n_{22}}{\pi_{22}}-\lambda\tag{4}\\ \frac{\partial}{\partial\lambda}l_0 \left(\boldsymbol{\pi}\right)=- \left(\sum_{i=1}^{2}\sum_{j=1}^{2}\pi_{ij}-1\right)\tag{5}\\ \frac{\partial}{\partial\phi}l_0 \left(\boldsymbol{\pi}\right)=- \left(\pi_{12}-\pi_{21}\right)\tag{6} \end{gather} 式 $(1)$ から式 $(4)$ より、 \begin{gather} n_{11}-\lambda\pi_{11}=0\tag{7}\\ n_{12}-\lambda\pi_{12}-\phi\pi_{12}=0\tag{8}\\ n_{21}-\lambda\pi_{21}+\phi\pi_{21}=0\tag{9}\\ n_{22}-\lambda\pi_{22}=0\tag{10} \end{gather} 式 $(7)$ から式 $(10)$ の和を取ると \begin{gather} \left(n_{11}+n_{12}+n_{21}+n_{22}\right)-\lambda \left(\pi_{11}+\pi_{12}+\pi_{21}+\pi_{22}\right)-\phi \left(\pi_{12}-\pi_{21}\right)=0\\ n-\lambda \cdot 1-\phi \cdot 0=0\\ \lambda=n \end{gather} $\lambda=n$ を式 $(7)$ から式 $(10)$ に代入すると \begin{gather} \pi_{11}=\frac{n_{11}}{n}\\ \pi_{12}=\frac{n_{12}}{n+\phi}\\ \pi_{21}=\frac{n_{21}}{n-\phi}\\ \pi_{22}=\frac{n_{22}}{n} \end{gather} $\pi_{12}=\pi_{21}$ より、 \begin{gather} \frac{n_{12}}{n+\phi}=\frac{n_{21}}{n-\phi}\\ n_{12} \left(n-\phi\right)=n_{21} \left(n+\phi\right)\\ n \left(n_{12}-n_{21}\right)= \left(n_{12}+n_{21}\right)\phi \phi=\frac{n \left(n_{12}-n_{21}\right)}{n_{12}+n_{21}} \end{gather} したがって、帰無仮説のもとでの $\pi_{ij}$ の最尤推定量 ${\hat{\pi}}_{ij}$ は、 \begin{gather} {\hat{\pi}}_{11}=\frac{n_{11}}{n}\\ {\hat{\pi}}_{12}=\frac{n_{12}+n_{21}}{2n}\\ {\hat{\pi}}_{21}=\frac{n_{12}+n_{21}}{2n}\\ {\hat{\pi}}_{22}=\frac{n_{22}}{n} \end{gather} (ii)対立仮説の下での最尤推定最
同様に、対立仮説 $\delta \neq 0$ の下での対数尤度関数は、 \begin{align} l_1 \left(\boldsymbol{\pi}\right)=\sum_{i=1}^{2}\sum_{j=1}^{2}{n_{ij}\log{\pi_{ij}}}-\lambda \left(\sum_{i=1}^{2}\sum_{j=1}^{2}\pi_{ij}-1\right) \end{align} この式が満たすべき制約は、 \begin{align} \sum_{i=1}^{2}\sum_{j=1}^{2}\pi_{ij}=1 \end{align} それぞれの未知パラメータで偏徴分して0 とおくと、 \begin{gather} \frac{\partial}{\partial\pi_{11}}l_1 \left(\boldsymbol{\pi}\right)=\frac{n_{11}}{\pi_{11}}-\lambda\tag{11}\\ \frac{\partial}{\partial\pi_{12}}l_1 \left(\boldsymbol{\pi}\right)=\frac{n_{12}}{\pi_{12}}-\lambda\tag{12}\\ \frac{\partial}{\partial\pi_{21}}l_1 \left(\boldsymbol{\pi}\right)=\frac{n_{21}}{\pi_{21}}-\lambda\tag{13}\\ \frac{\partial}{\partial\pi_{22}}l_1 \left(\boldsymbol{\pi}\right)=\frac{n_{22}}{\pi_{22}}-\lambda\tag{14}\\ \frac{\partial}{\partial\lambda}l_1 \left(\boldsymbol{\pi}\right)=- \left(\sum_{i=1}^{2}\sum_{j=1}^{2}\pi_{ij}-1\right)\tag{15} \end{gather} 式 $(11)$ から式 $(14)$ より、 \begin{gather} n_{11}-\lambda\pi_{11}=0\tag{16}\\ n_{12}-\lambda\pi_{12}=0\tag{17}\\ n_{21}-\lambda\pi_{21}=0\tag{18}\\ n_{22}-\lambda\pi_{22}=0\tag{19} \end{gather} 式 $(16)$ から式 $(19)$ の和を取ると \begin{gather} \left(n_{11}+n_{12}+n_{21}+n_{22}\right)-\lambda \left(\pi_{11}+\pi_{12}+\pi_{21}+\pi_{22}\right)=0\\ \lambda=n \end{gather} したがって、対立仮説の下での $\pi_{ij}$ の最尤推定量 ${\hat{\pi}}_{ij}$ は、 \begin{gather} {\hat{\pi}}_{11}=\frac{n_{11}}{n}\\ {\hat{\pi}}_{12}=\frac{n_{12}}{n}\\ {\hat{\pi}}_{21}=\frac{n_{12}}{n}\\ {\hat{\pi}}_{22}=\frac{n_{22}}{n} \end{gather} $\blacksquare$

〔4〕尤度比検定統計量

〔3〕の結果より、帰無仮説の下での多項係数部分を除く最大尤度は、 \begin{align} L_0= \left(\frac{n_{11}}{n}\right)^{n_{11}} \left(\frac{n_{12}+n_{21}}{2n}\right)^{n_{12}} \left(\frac{n_{12}+n_{21}}{2n}\right)^{n_{21}} \left(\frac{n_{22}}{n}\right)^{n_{22}} \end{align} 帰無仮説の下では、 \begin{align} L_1= \left(\frac{n_{11}}{n}\right)^{n_{11}} \left(\frac{n_{12}}{n}\right)^{n_{12}} \left(\frac{n_{21}}{n}\right)^{n_{21}} \left(\frac{n_{22}}{n}\right)^{n_{22}} \end{align} したがって、尤度比 $\lambda=\frac{L_1}{L_0}$ は \begin{align} \lambda&=\frac{ \left(\frac{n_{11}}{n}\right)^{n_{11}} \left(\frac{n_{12}}{n}\right)^{n_{12}} \left(\frac{n_{21}}{n}\right)^{n_{21}} \left(\frac{n_{22}}{n}\right)^{n_{22}}}{ \left(\frac{n_{11}}{n}\right)^{n_{11}} \left(\frac{n_{12}+n_{21}}{2n}\right)^{n_{12}} \left(\frac{n_{12}+n_{21}}{2n}\right)^{n_{21}} \left(\frac{n_{22}}{n}\right)^{n_{22}}}\\ &=\frac{ \left(\frac{n_{12}}{n}\right)^{n_{12}} \left(\frac{n_{21}}{n}\right)^{n_{21}}}{ \left(\frac{n_{12}+n_{21}}{2n}\right)^{n_{12}} \left(\frac{n_{12}+n_{21}}{2n}\right)^{n_{21}}}\\ &= \left(\frac{2n_{12}}{n_{12}+n_{21}}\right)^{n_{12}} \left(\frac{2n_{21}}{n_{12}+n_{21}}\right)^{n_{21}} \end{align} 以下の尤度比検定統計量 $\Lambda=-2\log{\lambda}$ は、漸近的に $\chi^2$分布に従う。 \begin{align} \Lambda&=-2 \left[n_{12}\log{ \left(\frac{2n_{12}}{n_{12}+n_{21}}\right)}+n_{21}\log{ \left(\frac{2n_{21}}{n_{12}+n_{21}}\right)}\right]\\ &=2 \left[n_{12}\log{ \left(\frac{n_{12}+n_{21}}{2n_{12}}\right)}+n_{21}\log{ \left(\frac{n_{12}+n_{21}}{2n_{21}}\right)}\right] \end{align} 帰無仮説の下で自由に値を取れるパラメータは $q=2$ 個
対立仮説の下で自由に値を取れるパラメータは $r=3$ 個
よって、検定統計量の自由度は、 \begin{align} r-q=3-2=1 \end{align} $\blacksquare$

関連記事

自己紹介

自分の写真

yama

大学時代に読書の面白さに気づいて以来、読書や勉強を通じて、興味をもったことや新しいことを学ぶことが生きる原動力。そんな人間が、その時々に学んだことを備忘録兼人生の軌跡として記録しているブログです。

このブログを検索

ブログ アーカイブ

QooQ