لم نایمن-پیرسون
لم نایمن-پیرسون نتیجهای بنیادی در آزمون فرضیهها است: برای دو فرضیه ساده، آزمونی که نسبت درستنمایی را آستانهبندی میکند، در هر اندازه مشخصی، قویترین آزمون است.
Definition
لم نایمن-پیرسون بیان میکند که برای آزمون یک فرضیه صفر ساده در برابر یک فرضیه جایگزین ساده در یک اندازه ثابت، قویترین آزمون، فرضیه صفر را رد میکند، زمانی که نسبت درستنمایی فرضیه جایگزین به فرضیه صفر از یک ثابت فراتر رود، با تصادفیسازی در مرز.
Scope
این موضوع شامل فرضیههای صفر ساده و جایگزین ساده، آماره نسبت درستنمایی، ساخت قویترین آزمون با آستانهبندی آن نسبت، استفاده از تصادفیسازی برای دستیابی به اندازه دقیق در مسائل گسسته، وجود و یکتایی قویترین آزمون، و نقش لم به عنوان سنگ بنای آزمونهای یکنواخت قویترین و نااریب است.
Core questions
- چرا نسبت درستنمایی بهینه ترین آماره آزمون برای دو فرضیه ساده است؟
- چگونه آستانه رد برای دستیابی به یک اندازه مشخص انتخاب میشود؟
- چه زمانی تصادفیسازی برای دستیابی به اندازه دقیق مورد نیاز است و چگونه کار میکند؟
- چگونه این لم به فرضیههای ترکیبی تعمیم مییابد؟
Key theories
- قویترین آزمون نسبت درستنمایی
- در میان تمام آزمونهای با اندازه معین، آزمونی که فرضیه صفر را زمانی رد میکند که نسبت درستنمایی از یک ثابت فراتر رود، توان را به حداکثر میرساند؛ هیچ آزمون دیگری با همان اندازه، توان بیشتری در برابر فرضیه جایگزین ندارد.
- آزمونهای تصادفی و اندازه دقیق
- در مسائل گسسته، یک اندازه دقیق ممکن است به یک تصمیم تصادفی در مرز ناحیه رد نیاز داشته باشد، که لم آن را برای حفظ دقیق ویژگی قویترین بودن در خود جای میدهد.
Clinical relevance
آستانه نسبت درستنمایی، قاعده تصمیمگیری بهینه در تشخیص سیگنال، رادار، و طبقهبندی تشخیصی است، جایی که منحنی مشخصه عملکرد گیرنده (ROC) را تعریف میکند و تعادل قابل دستیابی بین نرخ تشخیص و نرخ هشدار کاذب را تعیین میکند.
History
نایمن و پیرسون این لم را در مقاله خود در سال 1933 منتشر کردند که چارچوب دو فرضیه، احتمالات خطا و توان را معرفی کرد و آزمونهای معنیداری صرفاً فیشری را به عنوان مبنای بهینگی این موضوع کنار گذاشت.
Key figures
- Jerzy Neyman
- Egon Pearson
- Erich L. Lehmann
- Joseph P. Romano
Related topics
Seminal works
- neymanPearson1933
Frequently asked questions
- لم نایمن-پیرسون چه الزامی برای فرضیهها دارد؟
- در شکل پایه خود، هم فرضیه صفر و هم فرضیه جایگزین باید ساده باشند، به این معنی که هر یک توزیع را به طور کامل مشخص میکند؛ تعمیمها فرضیههای ترکیبی را از طریق نسبتهای درستنمایی یکنواخت یا نااریبی مدیریت میکنند.
- چرا تصادفیسازی گاهی اوقات بخشی از آزمون بهینه است؟
- در تنظیمات گسسته، هیچ ناحیه رد ثابتی ممکن است دقیقاً اندازه مطلوب را نداشته باشد، بنابراین آزمون بهینه تصمیم خود را در مرز تصادفی میکند تا دقیقاً به اندازه هدف برسد.