ネイマン・ピアソンの補題の数学的定式化
単純仮説$H_0: \theta = \theta_0$対単純仮説$H_1: \theta = \theta_1$の検定において、サイズ$\alpha$の最強力検定は以下の形式を持ちます：
$\phi(x) = \begin{cases}1 & \text{if } \frac{f(x|\theta_1)}{f(x|\theta_0)} > k \\\gamma & \text{if } \frac{f(x|\theta_1)}{f(x|\theta_0)} = k \\0 & \text{if } \frac{f(x|\theta_1)}{f(x|\theta_0)} < k\end{cases}$
ここで$k$と$\gamma$は$E_{\theta_0}[\phi(X)] = \alpha$を満たすように選ばれる定数です。
補題の証明の概要
Step 1: 最適化問題の設定
検出力$\beta = E_{\theta_1}[\phi(X)]$を最大化する問題：
$\max_{\phi} E_{\theta_1}[\phi(X)] \quad \text{subject to} \quad E_{\theta_0}[\phi(X)] \leq \alpha$
Step 2: ラグランジュ乗数法の適用
ラグランジュ関数：
$L = \int \phi(x) f(x|\theta_1) dx - \lambda \left(\int \phi(x) f(x|\theta_0) dx - \alpha\right)$
Step 3: 変分法による最適解
各点$x$で$\phi(x)$を最適化：
$\frac{\partial}{\partial \phi(x)} [\phi(x) f(x|\theta_1) - \lambda \phi(x) f(x|\theta_0)] = f(x|\theta_1) - \lambda f(x|\theta_0)$
最適解の条件：
$\phi^*(x) = \begin{cases}1 & \text{if } f(x|\theta_1) - \lambda f(x|\theta_0) > 0 \\0 & \text{if } f(x|\theta_1) - \lambda f(x|\theta_0) < 0\end{cases}$
尤度比検定との関係
Step 4: 尤度比形式への変換
$f(x|\theta_1) - \lambda f(x|\theta_0) > 0$は以下と等価：
$\frac{f(x|\theta_1)}{f(x|\theta_0)} > \lambda$
これは尤度比検定の形式そのものです。
一様最強力性の概念
ネイマン・ピアソン理論の意義
- 最適性の保証：サイズ制約下での検出力最大化
- 尤度比の正当化：直感的な尤度比検定の理論的根拠
- 統計的決定理論：現代統計学の基礎理論
- 仮説検定の統一：多くの古典的検定の最適性
- ベイズ統計との橋渡し：事前分布を考慮した拡張
複合仮説への拡張の困難性
Step 5: 複合仮説の問題
複合仮説$H_0: \theta \in \Theta_0$対$H_1: \theta \in \Theta_1$では、一般に一様最強力検定は存在しません。これは：
- 異なる$\theta_1 \in \Theta_1$に対して異なる最適検定が存在
- すべての対立仮説に対して同時に最強力となる検定は稀
- 不偏検定や不変検定などの追加制約が必要
意味
Step 6: 統計的実践への影響
| 検定の種類 | 最適性 | 実用性 |
|---|
| t検定 | UMP（正規分布仮定下） | 高 |
| F検定 | UMP不偏 | 高 |
| カイ二乗検定 | 漸近最適 | 高 |
| ノンパラメトリック検定 | 局所最適 | 中 |
したがって、「単純仮説対単純仮説の検定において、尤度比検定は一様最強力検定である」が正しい記述です。