WikiDer > Критерий Крамера – фон Мизеса

Cramér–von Mises criterion

В статистика то Критерий Крамера – фон Мизеса это критерий, используемый для оценки степень соответствия из кумулятивная функция распределения ${displaystyle F ^ {*}}$ по сравнению с данным эмпирическая функция распределения ${displaystyle F_ {n}}$ , или для сравнения двух эмпирических распределений. Он также используется как часть других алгоритмов, таких как оценка минимального расстояния. Он определяется как

{displaystyle omega ^ {2} = int _ {- infty} ^ {infty} [F_ {n} (x) -F ^ {*} (x)] ^ {2}, mathrm {d} F ^ {*} (Икс)}

В приложениях с одним образцом ${displaystyle F ^ {*}}$ - теоретическое распределение и ${displaystyle F_ {n}}$ это эмпирически наблюдаемое распределение. В качестве альтернативы оба распределения могут быть оценены эмпирически; это называется случаем двух выборок.

Критерий назван в честь Харальд Крамер и Ричард Эдлер фон Мизес кто первым предложил его в 1928–1930 гг.^[1]^[2] Обобщение на два образца связано с Андерсон.^[3]

Тест Крамера – фон Мизеса является альтернативой тесту Тест Колмогорова – Смирнова (1933).^[4]

Критерий Крамера – фон Мизеса (один образец)

Позволять ${displaystyle x_ {1}, x_ {2}, cdots, x_ {n}}$ - наблюдаемые значения в порядке возрастания. Тогда статистика^[3]^:1153^[5]

{displaystyle T = nomega ^ {2} = {frac {1} {12n}} + sum _ {i = 1} ^ {n} left [{frac {2i-1} {2n}} - F (x_ {i }) ight] ^ {2}.}

Если это значение больше табличного значения, тогда гипотеза о том, что данные получены из распределения ${displaystyle F}$ могут быть отклонены.

Тест Ватсона

Модифицированной версией теста Крамера – фон Мизеса является тест Ватсона.^[6] который использует статистику U², куда^[5]

{displaystyle U ^ {2} = T-n ({ar {F}} - {гидроразрыв {1} {2}}) ^ {2},}

куда

{displaystyle {ar {F}} = {frac {1} {n}} sum _ {i = 1} ^ {n} F (x_ {i}).}

Тест Крамера – фон Мизеса (две выборки)

Позволять ${displaystyle x_ {1}, x_ {2}, cdots, x_ {N}}$ и ${displaystyle y_ {1}, y_ {2}, cdots, y_ {M}}$ - наблюдаемые значения в первом и втором образце соответственно в порядке возрастания. Позволять ${displaystyle r_ {1}, r_ {2}, cdots, r_ {N}}$ - ранги x в объединенной выборке, и пусть ${displaystyle s_ {1}, s_ {2}, cdots, s_ {M}}$ быть рангами Y в объединенной выборке. Андерсон^[3]^:1149 показывает, что

{displaystyle T = {frac {NM} {N + M}} omega ^ {2} = {frac {U} {NM (N + M)}} - {frac {4MN-1} {6 (M + N) }}}

где U определяется как

{displaystyle U = Nsum _ {i = 1} ^ {N} (r_ {i} -i) ^ {2} + Msum _ {j = 1} ^ {M} (s_ {j} -j) ^ {2 }}

Если значение T больше табличных значений,^[3]^:1154–1159 гипотеза о том, что две выборки происходят из одного и того же распределения, может быть отвергнута. (Немного книг^{[уточнить]} дать критические значения для U, что более удобно, поскольку позволяет избежать необходимости вычислять T с помощью приведенного выше выражения. Вывод будет такой же).

Вышеизложенное предполагает, что в ${displaystyle x}$ , ${displaystyle y}$ , и ${displaystyle r}$ последовательности. Так ${displaystyle x_ {i}}$ уникален, и его ранг ${displaystyle i}$ в отсортированном списке ${displaystyle x_ {1}, ... x_ {N}}$ . Если есть дубликаты, и ${displaystyle x_ {i}}$ через ${displaystyle x_ {j}}$ представляют собой серию идентичных значений в отсортированном списке, тогда одним из распространенных подходов является средний ранг^[7] метод: присвоить каждому дубликату "ранг" ${displaystyle (i + j) / 2}$ . В приведенных выше уравнениях в выражениях ${displaystyle (r_ {i} -i) ^ {2}}$ и ${displaystyle (s_ {j} -j) ^ {2}}$ , дубликаты могут изменять все четыре переменные ${displaystyle r_ {i}}$ , ${displaystyle i}$ , ${displaystyle s_ {j}}$ , и ${displaystyle j}$ .