Asymptotische Verteilung der
Pearson-Fisher-Statistik
Das folgende Theorem ist die Grundlage des -Anpassungstests von Pearson-Fisher. Dabei setzen wir voraus, daß
die in (30) betrachtete Likelihood-Funktion des
,,vergröberten'' Modells den Regularitätsbedingungen von
Abschnitt 5.2.2 genügt,
die in (31) gegebene Fisher-Informationsmatrix
positiv definit ist, d.h. vollen Rang hat, und daß
eine schwach konsistente Folge von ML-Schätzern für
ist, die durch die Beobachtung des ,,vergröberten''
Modells gewonnen werden.
Theorem 5.3
Für die in
eingeführte
Pearson-Fisher-Teststatistik
gilt
(36)
für jedes
, wobei
das
-Quantil der -Verteilung mit
Freiheitsgraden bezeichnet.
Beachte
Ein mathematisch strikter Beweis von Theorem 5.3
kann durch Reinterpretation des -Anpassungstests von
Pearson-Fisher als Likelihood-Quotiententest geführt werden,
vgl. beispielsweise Abschnitt 4.7 in H. Pruscha (2000) Vorlesungen über mathematische Statistik, Teubner-Verlag,
Stuttgart.
Weil diese Beweistechnik relativ komplex ist, geben wir hier
lediglich eine heuristische Begründung für die Gültigkeit
von Theorem 5.3.
Und zwar sei
und
mit
(37)
Weil
und weil sich
als Summe von unabhängigen und
identisch verteilten Zufallsvektoren darstellen läßt, ergibt sich
aus dem multivariaten zentralen Grenzwertsatz (genauso wie im
Beweis von Theorem 5.1), daß
Andererseits gilt für die in
eingeführte
Pearson-Fisher-Teststatistik
, daß
wobei sich die letzte Gleichheit aus der Null-Konvergenz
ergibt, die aus
und dem
Continuous Mapping Theorem folgt.
Mit anderen Worten: Es gilt
(42)
wobei
.
Beachte
Zusammen mit (38) und (41)
suggeriert die asymptotische Näherungsformel (42)
die Vermutung, daß für
(43)
Die Verteilungskonvergenz (43) ergibt sich jedoch
nicht direkt aus (38), (41)
und (42), sondern sie erfordert einen separaten Beweis, der hier weggelassen wird.