大標本における母比率の差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、大標本における母比率の差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。
  • $Z_\alpha$ は標準正規分布の上側 $100\alpha\%$ 点を表しています。

データの形式

確率変数 $X,Y$ が互いに独立に二項分布 \begin{align} \mathrm{B} \left(n_1,p_1\right),\mathrm{B} \left(n_2,p_2\right) \end{align} に従い、 標本比率を \begin{align} {\hat{p}}_1=\frac{X}{n_1} \quad {\hat{p}}_2=\frac{Y}{n_2} \end{align} 共通の標本比率を \begin{align} \hat{p}=\frac{n_1{\hat{p}}_1+n_2{\hat{p}}_2}{n_1+n_2} \end{align} とし、 サンプルサイズが十分に大きく、中心極限定理が成り立ち、かつ、母比率が標本比率で近似できる \begin{gather} p_1\cong{\hat{p}}_1 \quad p_2\cong{\hat{p}}_2 \end{gather} とする。

【定理】大標本における母比率の差に関する検定

【定理】
大標本における母比率の差に関する検定
Population Proportion Difference with Large-Sample

大標本における母比率の差に関する検定問題
(I)両側検定 \begin{align} H_0:p_1=p_2 \quad H_1:p_1 \neq p_2 \end{align} (II-A)片側検定A \begin{align} H_0:p_1 \le p_2 \quad H_1:p_1 \gt p_2 \end{align} (II-B)片側検定B \begin{align} H_0:p_1 \geq p_2 \quad H_1:p_1 \lt p_2 \end{align} を考える場合、 検定統計量を \begin{gather} Z_0=\frac{{\hat{p}}_1-{\hat{p}}_2}{\hat{\sigma}}\\ {\hat{\sigma}}^2=\hat{p} \left(1-\hat{p}\right) \left(\frac{1}{n_1}+\frac{1}{n_2}\right) \end{gather} 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{align} \varphi \left(\theta;\boldsymbol{x}\right)= \left\{\begin{matrix}-Z_{0.5\alpha} \le Z_0 \le Z_{0.5\alpha}&\mathrm{0:Hold\ }H_0\\Z_0 \le -Z_{0.5\alpha} \quad \mathrm{or} \quad Z_{0.5\alpha} \le Z_0&\mathrm{1:Reject\ }H_0\\\end{matrix}\right. \end{align} (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}Z_0 \lt Z_\alpha&\mathrm{0:Hold\ }H_0\\Z_\alpha \le Z_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}-Z_\alpha \lt Z_0&\mathrm{0:Hold\ }H_0\\Z_0 \le -Z_\alpha&\mathrm{1:Reject\ }H_0\\\end{matrix}\right. \end{align}

Step.1 尤度比の算出

二項分布の最尤推定量は、 \begin{align} {\hat{p}}_1=\frac{X}{n_1} \quad {\hat{p}}_2=\frac{Y}{n_2} \end{align} 帰無仮説における共通の母比率を $H_0:p_1=p_2=p$ として、両仮説の尤度比 $\lambda$ を計算すると(算出過程は省略)、 \begin{align} \lambda&=\frac{L \left(p_1=p,p_2=p;x,y\right)}{L \left(p_1={\hat{p}}_1,p_2={\hat{p}}_2;x,y\right)}\\ &=\frac{f \left(x;p_1=p\right) \cdot f \left(y;p_2=p\right)}{f \left(x;p_1={\hat{p}}_1\right) \cdot f \left(y;p_2={\hat{p}}_2\right)}= \cdots \\ &=h \left({\hat{p}}_1-{\hat{p}}_2\right) \end{align} したがって、検定統計量 $T \left(X,Y\right)=\frac{X}{n_1}-\frac{Y}{n_2}$ が考えられる。

Step.2 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
標本比率の漸近分布は、 \begin{align} {\hat{p}}_i \sim \mathrm{N} \left[p_i,\frac{p_i \left(1-p_i\right)}{n_i}\right] \quad i=1,2 \end{align} 正規分布の再生性より、標本比率の差 $\hat{d}={\hat{p}}_1-{\hat{p}}_2$ の漸近分布は、 \begin{align} \hat{d} \sim \mathrm{N} \left\{p_1-p_2,\frac{p_1 \left(1-p_1\right)}{n_1}+\frac{p_2 \left(1-p_2\right)}{n_2}\right\} \end{align} 母比率が標本比率で近似できるとき、 \begin{align} \hat{d} \sim \mathrm{N} \left\{p_1-p_2,\frac{{\hat{p}}_1 \left(1-{\hat{p}}_1\right)}{n_1}+\frac{{\hat{p}}_2 \left(1-{\hat{p}}_2\right)}{n_2}\right\} \end{align} (ii)帰無仮説における分布
帰無仮説 $H_0:p_1=p_2=p$ における共通の母比率の最尤推定量は、 \begin{align} \hat{p}=\frac{n_1{\hat{p}}_1+n_2{\hat{p}}_2}{n_1+n_2} \end{align} よって、帰無仮説における標本比率の差の漸近分布は、 \begin{align} \hat{d} \sim \mathrm{N} \left\{0,\frac{\hat{p} \left(1-\hat{p}\right)}{n_1}+\frac{\hat{p} \left(1-\hat{p}\right)}{n_2}\right\} \end{align} 帰無仮説において、標本比率の差 $\hat{d}$ を標準化した値を \begin{gather} Z_0=\frac{{\hat{p}}_1-{\hat{p}}_2}{\hat{\sigma}}\\ {\hat{\sigma}}^2=\hat{p} \left(1-\hat{p}\right) \left(\frac{1}{n_1}+\frac{1}{n_2}\right) \end{gather} とすると、 標準化変換の性質より、 \begin{align} Z_0 \sim N \left(0,1\right) \end{align}

Step.3 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 $\varphi \left(\theta;\boldsymbol{x}\right)$ をもつ検定が漸近的に有意水準を $\alpha$ 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 $\varphi \left(\theta;\boldsymbol{x}\right)$ をもつ検定が漸近的に有意水準を $\alpha$ 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.4 棄却域の設定

(I)両側検定
パーセント点の定義と標準正規分布の対称性から、 \begin{align} P \left(-Z_{0.5\alpha} \le Z_0 \le Z_{0.5\alpha}\right)=1-\alpha \end{align} したがって、式 $(1)$ において、$a=-Z_{0.5\alpha},b=Z_{0.5\alpha}$ とすると、 \begin{gather} \varphi \left(\theta;\boldsymbol{x}\right)= \left\{\begin{matrix}-Z_{0.5\alpha} \le Z_0 \le Z_{0.5\alpha}&\mathrm{0:Hold\ }H_0\\Z_0 \le -Z_{0.5\alpha} \quad \mathrm{or} \quad Z_{0.5\alpha} \le Z_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(Z_0 \le Z_\alpha\right)=1-\alpha \end{align} したがって、式 $(2)$ において、$a=Z_\alpha$ とすると、 \begin{align} \varphi \left(\theta;\boldsymbol{x}\right)= \left\{\begin{matrix}Z_0 \lt Z_\alpha&\mathrm{0:Hold\ }H_0\\Z_\alpha \le Z_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(-Z_\alpha \le Z_0\right)=1-\alpha \end{align} したがって、式 $(3)$ において、$b=-Z_\alpha$ とすると、 \begin{align} \varphi \left(\theta;\boldsymbol{x}\right)= \left\{\begin{matrix}-Z_\alpha \lt Z_0&\mathrm{0:Hold\ }H_0\\Z_0 \le -Z_\alpha&\mathrm{1:Reject\ }H_0\\\end{matrix}\right. \end{align} $\blacksquare$

参考文献

  • 小寺 平治 著. 数理統計:明解演習. 共立出版, 1986, p.130-131
  • 野田 一雄, 宮岡 悦良 著. 入門・演習数理統計. 共立出版, 1990, p.279-280

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