正規分布の等分散性に関する検定の導出

公開日: 更新日:

【2023年4月4週】 【B000】数理統計学 【B080】統計的仮説検定

この記事をシェアする
  • B!
サムネイル画像

本稿では、正規分布の等分散性に関する検定を導出しています。

なお、閲覧にあたっては、以下の点にご注意ください。

  • 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。
  • $F_\alpha \left(n,m\right)$ は自由度 $n,m$ の $\mathrm{F}$分布の上側 $100\alpha\%$ 点を表しています。

データの形式

確率変数 $X,Y$ が正規分布 \begin{align} \mathrm{N} \left(\mu_X,\sigma_X^2\right) \quad \mathrm{N} \left(\mu_Y,\sigma_Y^2\right) \end{align} に従い、 この分布からの大きさ $n,m$ の無作為標本を \begin{align} \boldsymbol{X}= \left\{X_1,X_2, \cdots X_n\right\} \quad \boldsymbol{Y}= \left\{Y_1,Y_2, \cdots Y_m\right\} \end{align} それぞれの標本平均を \begin{gather} \bar{X}=\frac{1}{n}\sum_{i=1}^{n}X_i \quad \bar{Y}=\frac{1}{m}\sum_{i=1}^{n}Y_i \end{gather} とする。

【定理】正規分布の等分散性に関する検定

【定理】
正規分布の等分散性に関する検定
F-test of equality of variances

正規分布の等分散性に関する検定問題
(I)両側検定 \begin{align} H_0:\sigma_X^2=\sigma_Y^2 \quad H_1:\sigma_X^2 \neq \sigma_Y^2 \end{align} (II-A)片側検定A \begin{align} H_0:\sigma_X^2 \le \sigma_Y^2 \quad H_1:\sigma_X^2 \gt \sigma_Y^2 \end{align} (II-B)片側検定B \begin{align} H_0:\sigma_X^2 \geq \sigma_Y^2 \quad H_1:\sigma_X^2 \lt \sigma_Y^2 \end{align} を考える場合、 検定統計量を \begin{align} F_0=\frac{\frac{\sum_{i=1}^{n} \left(X_i-\bar{X}\right)^2}{n-1}}{\frac{\sum_{i=1}^{m} \left(Y_i-\bar{Y}\right)^2}{m-1}} \end{align} として、 (I)両側検定
以下の棄却域と検定関数 $\varphi \left(\theta;\boldsymbol{x}\right)$ をもつ検定は有意水準を $\alpha$ とする一様最強力不偏検定となる。 \begin{gather} \varphi \left(\theta;\boldsymbol{x}\right)= \left\{\begin{matrix}F_{1-0.5\alpha} \left(n-1,m-1\right) \le F_0 \le F_{0.5\alpha} \left(n-1,m-1\right)&\mathrm{0:Hold\ }H_0\\F_0 \le F_{1-0.5\alpha} \left(n-1,m-1\right) \quad \mathrm{or} \quad F_{0.5\alpha} \left(n-1,m-1\right) \le F_0&\mathrm{1:Reject\ }H_0\\\end{matrix}\right.\\ \end{gather} (II)片側検定
以下の棄却域と検定関数 $\varphi \left(\theta;\boldsymbol{x}\right)$ をもつ検定は有意水準を $\alpha$ とする一様最強力検定となる。
(II-A)片側検定A \begin{align} \varphi \left(\theta;\boldsymbol{x}\right)= \left\{\begin{matrix}F_0 \lt F_\alpha \left(n-1,m-1\right)&\mathrm{0:Hold\ }H_0\\F_\alpha \left(n-1,m-1\right) \le F_0&\mathrm{1:Reject\ }H_0\\\end{matrix}\right. \end{align} (II-B)片側検定B \begin{align} \varphi \left(\theta;\boldsymbol{x}\right)= \left\{\begin{matrix}F_{1-\alpha} \left(n-1,m-1\right) \lt F_0&\mathrm{0:Hold\ }H_0\\F_0 \le F_{1-\alpha} \left(n-1,m-1\right)&\mathrm{1:Reject\ }H_0\\\end{matrix}\right. \end{align}

Step.1 検定統計量の対立仮説・帰無仮説における分布

(i)対立仮説における分布
標本平均を用いて標本値を標準化した値の平方和の分布は、 \begin{gather} \chi_X^2=\frac{\sum_{i=1}^{n} \left(X_i-\bar{X}\right)^2}{\sigma_X^2} \sim \chi^2 \left(n-1\right)\\ \chi_Y^2=\frac{\sum_{i=1}^{m} \left(Y_i-\bar{Y}\right)^2}{\sigma_Y^2} \sim \chi^2 \left(m-1\right) \end{gather} $\mathrm{F}$分布の定義より、 \begin{gather} \frac{\frac{\chi_X^2}{n-1}}{\frac{\chi_Y^2}{m-1}}=F \sim F \left(n-1,m-1\right) \end{gather} (ii)帰無仮説における分布
帰無仮説 $H_0:\sigma_X^2=\sigma_Y^2$ における分布は、 \begin{align} F_0&=\frac{\frac{1}{n-1} \cdot \frac{\sum_{i=1}^{n} \left(X_i-\bar{X}\right)^2}{\sigma_X^2}}{\frac{1}{m-1} \cdot \frac{\sum_{i=1}^{m} \left(Y_i-\bar{Y}\right)^2}{\sigma_Y^2}}\\ &=\frac{\frac{\sum_{i=1}^{n} \left(X_i-\bar{X}\right)^2}{n-1}}{\frac{\sum_{i=1}^{m} \left(Y_i-\bar{Y}\right)^2}{m-1}} \end{align} \begin{gather} F_0 \sim F \left(n-1,m-1\right) \end{gather}

Step.2 検定関数と棄却域の型

(I)両側検定
ネイマン・ピアソンの基本定理により、次の棄却域と検定関数 $\varphi \left(\theta;\boldsymbol{x}\right)$ をもつ検定が有意水準を $\alpha$ とする一様最強力不偏検定となる。
\begin{align} \varphi \left(\theta;\boldsymbol{x}\right)= \left\{\begin{matrix}a \le T \left(\boldsymbol{X}\right) \le b&\mathrm{0:Hold\ }H_0\\T \left(\boldsymbol{X}\right) \lt a \quad \mathrm{or} \quad b \lt T \left(\boldsymbol{X}\right)&\mathrm{1:Reject\ }H_0\\\end{matrix}\right.\tag{1} \end{align} (II)片側検定
ネイマン・ピアソンの基本定理と単調尤度比の原理により、次の棄却域と検定関数 $\varphi \left(\theta;\boldsymbol{x}\right)$ をもつ検定が有意水準を $\alpha$ とする一様最強力検定となる。
検定A \begin{align} \varphi \left(\theta;\boldsymbol{x}\right)= \left\{\begin{matrix}T \left(\boldsymbol{X}\right) \lt a&\mathrm{0:Hold\ }H_0\\a \le T \left(\boldsymbol{X}\right)&\mathrm{1:Reject\ }H_0\\\end{matrix}\right.\tag{2} \end{align} 検定B \begin{align} \varphi \left(\theta;\boldsymbol{x}\right)= \left\{\begin{matrix}b \lt T \left(\boldsymbol{X}\right)&\mathrm{0:Hold\ }H_0\\T \left(\boldsymbol{X}\right) \le b&\mathrm{1:Reject\ }H_0\\\end{matrix}\right.\tag{3} \end{align}

Step.3 棄却域の設定

(I)両側検定
パーセント点の定義より、 \begin{align} P \left[F_{1-0.5\alpha} \left(n-1,m-1\right) \le F_0 \le F_{0.5\alpha} \left(n-1,m-1\right)\right]=1-\alpha \end{align} したがって、式 $(1)$ において、$a=F_{1-0.5\alpha} \left(n-1,m-1\right),b=F_{0.5\alpha} \left(n-1,m-1\right)$ とすると、 \begin{gather} \varphi \left(\theta;\boldsymbol{x}\right)= \left\{\begin{matrix}F_{1-0.5\alpha} \left(n-1,m-1\right) \le F_0 \le F_{0.5\alpha} \left(n-1,m-1\right)&\mathrm{0:Hold\ }H_0\\F_0 \le F_{1-0.5\alpha} \left(n-1,m-1\right) \quad \mathrm{or} \quad F_{0.5\alpha} \left(n-1,m-1\right) \le F_0&\mathrm{1:Reject\ }H_0\\\end{matrix}\right. \end{gather} (II-A)片側検定A
パーセント点の定義より、 \begin{align} P \left[F_0 \le F_{0.5\alpha} \left(n-1,m-1\right)\right]=1-\alpha \end{align} したがって、式 $(2)$ において、$a=F_{0.5\alpha} \left(n-1,m-1\right)$ とすると、 \begin{align} \varphi \left(\theta;\boldsymbol{x}\right)= \left\{\begin{matrix}F_0 \lt F_\alpha \left(n-1,m-1\right)&\mathrm{0:Hold\ }H_0\\F_\alpha \left(n-1,m-1\right) \le F_0&\mathrm{1:Reject\ }H_0\\\end{matrix}\right. \end{align} (II-B)片側検定B
パーセント点の定義より、 \begin{align} P \left[F_0 \le F_{1-\alpha} \left(n-1,m-1\right)\right]=1-\alpha \end{align} したがって、式 $(3)$ において、$b=F_{1-\alpha} \left(n-1,m-1\right)$ とすると、 \begin{align} \varphi \left(\theta;\boldsymbol{x}\right)= \left\{\begin{matrix}F_{1-\alpha} \left(n-1,m-1\right) \lt F_0&\mathrm{0:Hold\ }H_0\\F_0 \le F_{1-\alpha} \left(n-1,m-1\right)&\mathrm{1:Reject\ }H_0\\\end{matrix}\right. \end{align} $\blacksquare$

参考文献

  • 野田 一雄, 宮岡 悦良 著. 入門・演習数理統計. 共立出版, 1990, p.277-278

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