随机估计和VDR检验.docVIP

随机估计和VDR检验（一） 程维虎 戴家佳 杨振海 张国志 2013-2-4 9:09:27　　来源：《数理统计与管理》(京)2012年1期第32～54页 　　内容提要：众所周知统计推断有三种理论：普遍承认的Neyman理论（频率学派），Bayes推断和信仰推断（Fiducial）。Bayes推断基于后验分布，由先验分布和样本分布求得。信仰推断是基于信仰分布（Confidence Distribution，简称CD），直接利用样本求得。两者推断方式一致，都是用分布函数作推断，称为分布推断。从分析传统的参数估计、假设检验特性来看，经典统计推断也可以视为分布推断。通常将置信上限看做置信度的函数。其反函数，即置信度是置信上界的函数，恰是分布函数，该分布恰是近年来引起许多学者兴趣的CD。在本文中，基于随机化估计（其分布是一CD）的概率密度函数，提出VDR检验。常见正态分布期望或方差的检验，多元正态分布期望Hoteling检验等是其特例。VDR（vertical density representation）检验适合于多元分布参数检验，实现了非正态的多元线性变换分布族的参数检验。VDR构造的参数的置信域有最小Lebesgue测度。　　关键词：随机推断 VDR检验 最小Lebesgue测度置信域　　作者简介：程维虎，北京工业大学应用数理学院（北京100124）；戴家佳，贵州大学理学院（贵州贵阳550025）；杨振海，北京工业大学应用数理学院；张国志，哈尔滨理工大学（黑龙江哈尔滨150080）。　　　　0引言　　首先考虑一维参数的推断问题。所谓一维参数假设检验问题，是指假设涉及的参数是一维的，可以是分布参数的分量。为问题明确，将总体分布或密度函数写作　　　　关于假设（1），λ是冗余参数。　　关于参数η统计推断，众所周知有三种理论：频率学派，Fiducial推断和Bayes推断。现在普遍接受的Neyman理论，称为频率学派。认为未知参数是常数，用统计量推断参数，包括点估计、置信区间和假设检验。Fiducial推断和Bayes推断都是以概率分布推断参数。认为参数是随机变量，统计推断就依据参数的分布，分别称作Fiducial分布和后验分布。两者求法不同，而推断参数的方法一致，称为分布推断。通常认为他们的推断机制是不同于Neyman理论的。　　随机估计源于Fisher的信仰推断，是经典统计的概念。Fisher提出的信仰推断（Fiducial inference）是用信仰分布推断参数。什么是信仰分布？Fisher于1930年，在他的“Inverse probability”一文中作为挑战Bayes的后验分布而提出信仰分布概念。设F（.，θ）是随机变量X的分布函数，概率密度函数是f（.，θ）。给定x，Fisher定义信仰分布密度函数为　　　　该公式也适用于基于枢轴量计算参数的信仰分布密度函数。　　h（x，η）是定义在×N上，取值于N上的函数。对给定η，h（X，η）的分布函数Q（·）与参数η，λ无关，对给定样本x，h（x，·）是N→N的单调函数，则称h（x，η）是参数η的枢轴量。Q（·）的概率密度函数记作q（·）。Fisher认为η是随机变量，其分布密度函数是　　　　公式（2）或（3）的导出有两步：　　1.确定枢轴量h（X，η）的分布时η是常数参数，X是随机变量；　　2.求信仰分布密度函数时又认为η是随机变量，样本为x是常数。　　参数η是常数还是随机变量？这就是所谓Fisher疑惑。若η是随机变量，h（x，η）=V～Q（·），公式（3）是正确的。只是导出随机变量V的分布时η是常数，导出信仰分布时又成了随机变量。既然存在逻辑上的不一致为什么信仰推断至今还是研究热点之一？除是大师Fisher提出的概念外，还因为在众多情形下信仰推断结果和经典结果一致；有些经典统计难题，容易用信仰推断来解决，如Behrens-Fisher问题。对正态总体经典推断和信仰推断结果是一致的。为消除逻辑上的疑惑，引进随机估计概念。用随机变量估计（常数）参数η，叫做参数η的随机化估计或就叫随机估计，它应满足　　V=b（x，），V～q（·），（4）　　的密度函数由（3）给出。随机估计是取值于参数空间的随机变量，其分布依赖于样本。它不同于统计量，统计量是样本的函数，其分布依赖于参数。当存在参数的充分统计量时样本可用充分统计量代替。　　　　Neyman理论核心观点认为参数是未知常数，用统计量估计参数，无论点估计还是区间估计都是随机变量。是容易被人接受的符合常理的观点。而Fiducial推断和Bayes推断都将参数看作随机变量。无论哪种推断，都认为在观测样本时参数是不变的。初看起来，Neyman理论与Fiduci