Anda dapat menguji persamaan parameter rata-rata terhadap alternatif yang parameter rata-rata tidak sama dengan uji rasio kemungkinan (uji LR). (Namun, jika parameter rata-rata berbeda dan distribusinya eksponensial, ini adalah pergeseran skala, bukan pergeseran lokasi.)
Untuk tes satu sisi (tetapi hanya asimtotik dalam kasus dua sisi), saya percaya bahwa uji LR setara dengan yang berikut (untuk menunjukkan bahwa ini sebenarnya sama dengan tes LR untuk ekor satu sisi. jika seseorang perlu menunjukkan statistik LR adalah monoton di ):x¯/y¯
Katakanlah kita parameterkan pengamatan ke- dalam eksponensial pertama sebagai memiliki pdf dan observasi ke- dalam sampel kedua memiliki pdf (di atas domain yang jelas untuk pengamatan dan parameter).
(Untuk lebih jelasnya, kami bekerja dalam bentuk rata-rata bukan bentuk kurs di sini; ini tidak akan mempengaruhi hasil perhitungan.)i1/μxexp(−xi/μx)j1/μyexp(−yj/μy)
Karena distribusi adalah kasus khusus dari gamma, , distribusi jumlah , didistribusikan ; sama halnya dengan jumlah s, adalah .XiΓ(1,μx)XSxΓ(nx,μx)YSyΓ(ny,μy)
Karena hubungan antara distribusi gamma dan distribusi chi-kuadrat, ternyata didistribusikan . Rasio dua chi-square pada derajat kebebasan mereka adalah F. Oleh karena itu rasio, .2/μxSxχ22nxμyμxSx/nxSy/ny∼F2nx,2ny
Maka, di bawah hipotesis nol tentang kesetaraan sarana, , dan di bawah alternatif dua sisi, nilainya mungkin cenderung lebih kecil atau lebih besar daripada nilai dari nol distribusi, jadi Anda perlu tes dua sisi.x¯/y¯∼F2nx,2ny
Simulasi untuk memastikan bahwa kami tidak membuat kesalahan sederhana dalam aljabar:
Di sini saya mensimulasikan 1000 sampel ukuran 30 untuk dan 20 untuk dari distribusi eksponensial dengan rata-rata yang sama, dan menghitung statistik rasio sarana di atas.YXY
Di bawah ini adalah histogram dari distribusi yang dihasilkan serta kurva yang menunjukkan
distribusi kami hitung di bawah nol:F
Contoh, dengan diskusi tentang perhitungan nilai-dua-ekor :
Untuk menggambarkan perhitungan, inilah dua sampel kecil dari distribusi eksponensial. Sampel-X memiliki 14 pengamatan dari populasi dengan rata-rata 10, sampel-Y memiliki 17 pengamatan dari populasi dengan rata-rata 15:
x: 12.173 3.148 33.873 0.160 3.054 11.579 13.491 7.048 48.836
16.478 3.323 3.520 7.113 5.358
y: 7.635 1.508 29.987 13.636 8.709 13.132 12.141 5.280 23.447
18.687 13.055 47.747 0.334 7.745 26.287 34.390 9.596
Berarti sampel masing-masing adalah 12.082 dan 16.077. Rasio rata-rata adalah 0,7515
Area di sebelah kiri sangat mudah, karena berada di ekor bawah (calc in R):
> pf(r,28,34)
[1] 0.2210767
Kami membutuhkan probabilitas untuk ekor lainnya. Jika distribusinya simetris dalam invers, akan mudah untuk melakukan ini.
Sebuah konvensi umum dengan rasio varian F-test (yang sama dua-tailed) hanya untuk menggandakan nilai-satu-tailed (efektif apa yang terjadi seperti di sini ; itu juga yang tampaknya dilakukan dalam R, misalnya ); dalam hal ini memberikan nilai-p 0,44.
Namun, jika Anda melakukannya dengan aturan penolakan formal, dengan meletakkan area di setiap ekor, Anda akan mendapatkan nilai kritis seperti dijelaskan di sini . Nilai-p kemudian nilai terbesar yang akan mengarah pada penolakan, yang setara dengan menambahkan nilai-satu ekor di atas ke nilai-satu-ekor di ekor lainnya untuk derajat kebebasan yang dipertukarkan. Dalam contoh di atas yang memberikan nilai p 0,43.αα/2α