Asymptotische Normalverteiltheit von ML-Schätzern;
asymptotische Tests
Der Begriff der Verteilungskonvergenz von Zufallsvektoren wird wie
folgt definiert.
Sei
eine beliebige natürliche Zahl, und
seien
beliebige
Zufallsvektoren. Man sagt, dass
in Verteilung
gegen
konvergiert, wenn
(45)
für jedes
mit
. Schreibweise:
.
Wir diskutieren nun asymptotische (Verteilungs-) Eigenschaften
von Maximum-Likelihood-Schätzern
für
bzw. asmyptotische Tests, wenn der Stichprobenumfang
gegen unendlich geht.
Dabei betrachten wir lediglich den Fall der natürlichen
Linkfunktion
und indizieren die Zufallsstichprobe
, die
Loglikelihood-Funktion
, den Scorevektor
, die Fisher-Informationsmatrix
bzw. den ML-Schätzer
jeweils
mit .
Asymptotische Verteilungseigenschaften
Unter gewissen Bedingungen (vgl. Abschnitt VII.2.6 in Pruscha
(2000)) kann man zeigen: Für jedes
mit
für
gibt es
einen konsistenten ML-Schätzer
für
, d.h., für jedes
gilt
(46)
eine Folge
von invertierbaren
-Matrizen, die von
abhängen können und für die
gilt,
sowie eine symmetrische und positiv definite
-Matrix
, so dass
(47)
und
bzw.
(48)
Asymptotische Tests
Bei großem kann zur Konstruktion eines asymptotischen Tests
für das Hypothesenpaar
vs.
die Testgröße
betrachtet werden. Wegen (48) wird dabei
abgelehnt, wenn
.
Von besonderem Interesse ist die Nullhypothese
. Wenn diese abgelehnt wird, dann können
speziellere Hypothesen getestet werden, zum Beispiel für jedes
die Hypothese
.
Beachte
Wenn
positiv definit für jedes hinreichend
große ist und wenn
(49)
dann kann
in (47) und
(48) gesetzt werden, so dass
die
Einheitsmatrix ist.
In (37) hatten wir gezeigt, dass im logistischen
Regressionsmodell
gilt.
Weil wir voraussetzen, dass
für jedes
und dass die Designmatrix
vollen
Spaltenrang hat, ist die Matrix
in diesem Fall
positiv definit.
Wenn außerdem
und wenn die
Eintragungen der Designmatrix
so gewählt werden,
dass
,
dann gilt auch (49).
Sei nun
die Einheitsmatrix. Wegen
(47) und (48) wird dann
abgelehnt, wenn