Lemme de Neyman-Pearson

Le lemme de Neyman-Pearson constitue le résultat fondamental en matière de tests statistiques : pour deux hypothèses simples, le test qui seuille le rapport de vraisemblance est le plus puissant pour une taille donnée.

Definition

Le lemme de Neyman-Pearson stipule que, pour tester une hypothèse nulle simple contre une hypothèse alternative simple à une taille fixe, le test le plus puissant rejette l'hypothèse nulle lorsque le rapport de la vraisemblance alternative à la vraisemblance nulle dépasse une constante, avec randomisation sur la frontière.

Scope

Ce sujet aborde les hypothèses nulle simple et alternative simple, la statistique du rapport de vraisemblance, la construction du test le plus puissant par seuillage de ce rapport, l'utilisation de la randomisation pour atteindre une taille exacte dans les problèmes discrets, l'existence et l'unicité du test le plus puissant, ainsi que le rôle du lemme comme élément constitutif des tests uniformément les plus puissants et non biaisés.

Core questions

• Pourquoi le rapport de vraisemblance est-il la statistique de test optimale pour deux hypothèses simples ?
• Comment le seuil de rejet est-il choisi pour atteindre une taille prescrite ?
• Quand la randomisation est-elle nécessaire pour atteindre une taille exacte, et comment fonctionne-t-elle ?
• Comment le lemme se généralise-t-il aux hypothèses composites ?

Key theories

Test du rapport de vraisemblance le plus puissant

Parmi tous les tests d'une taille donnée, celui qui rejette lorsque le rapport de vraisemblance dépasse une constante maximise la puissance ; tout autre test de même taille n'a pas une puissance supérieure contre l'alternative.

Tests randomisés et taille exacte

Dans les problèmes discrets, une taille exacte peut nécessiter une décision randomisée sur la frontière de la région de rejet, ce que le lemme intègre pour maintenir la propriété de puissance maximale exacte.

Clinical relevance

Le seuil du rapport de vraisemblance constitue la règle de décision optimale dans la détection de signaux, le radar et la classification diagnostique, où il définit la courbe caractéristique de réception (ROC) et établit le compromis réalisable entre le taux de détection et le taux de fausses alarmes.

History

Neyman et Pearson ont publié le lemme dans leur article de 1933 qui a introduit le cadre des deux hypothèses, des probabilités d'erreur et de la puissance, supplantant ainsi les tests de signification purement fisheriens comme fondement d'optimalité du sujet.

Key figures

• Jerzy Neyman
• Egon Pearson
• Erich L. Lehmann
• Joseph P. Romano

Seminal works

• neymanPearson1933

Frequently asked questions

Que requiert le lemme de Neyman-Pearson des hypothèses ?

Dans sa forme de base, l'hypothèse nulle et l'hypothèse alternative doivent être simples, ce qui signifie que chacune spécifie entièrement la distribution ; les extensions traitent les hypothèses composites par le biais de rapports de vraisemblance monotones ou de l'absence de biais.

Pourquoi la randomisation fait-elle parfois partie du test optimal ?

Dans les contextes discrets, aucune région de rejet fixe ne peut avoir exactement la taille souhaitée, de sorte que le test optimal randomise sa décision sur la frontière pour atteindre précisément la taille cible.