RV Foutz和RC Srivastava已详细研究了该问题。他们在1977年发表的论文“模型不正确时的似然比检验的性能”中包含了在错误指定情况下的分布结果的说明以及非常简短的证明,而他们在1978年发表的论文“ 当模型不正确时的似然比的渐近分布模型不正确”中包含证据-但后者使用老式的打字机打字(尽管两种论文都使用相同的符号,所以您可以在阅读时将它们组合起来)。同样,对于证明的某些步骤,他们引用了KP Roy于1957年发表的“似然比渐近分布的注解”一文,该论文似乎甚至在网上也没有提供。
在分布不正确的情况下,如果MLE仍然一致且渐近正常(并非总是这种情况),则LR统计量渐近遵循独立卡方的线性组合(每个自由度为一个)
−2lnλ→d∑i=1rciχ2i
其中。可以看到“相似性”:我们拥有一个具有一个自由度的卡方,而不是一个具有自由度的卡方。但是“类比”到此为止,因为卡方的线性组合没有封闭形式的密度。每个缩放的卡方都是伽玛,但具有不同的参数,导致伽玛的缩放比例参数不同-尽管可以计算其伽玛值之和,但它们的和不是闭合形式。h - m h - m c ir=h−mh−mh−mci
对于常数,我们有,它们是矩阵的特征值...哪个矩阵?好了,使用作者的记号,将设置为对数似然的Hessian,将设置为对数似然的梯度的外部乘积(以期望值表示)。因此,是MLE的渐近方差-协方差矩阵。Ç 1 ≥ Ç 2 ≥ 。。。Ç ř ≥ 0 Λ c ^ V = Λ - 1 c ^ (Λ ' )- 1cic1≥c2≥...cr≥0ΛCV=Λ−1C(Λ′)−1
然后将设置为的上对角线块。 - [R × [R VMr×rV
还以块形式写Λ
Λ=[Λr×rΛ2Λ′2Λ3]
并设置(是的Schur补数的负数)。 w ^ ΛW=−Λr×r+Λ′2Λ−13Λ2WΛ
然后,是在参数的真实值下评估的矩阵的特征值。中号W¯¯ciMW
附录
在评论中回应OP的有效评论(有时,问题的确成为共享更普遍结果的跳板,在过程中可能会被自己忽略),这是Wilks的证明如何进行的:Wilks从联合开始MLE的正态分布,并继续推导似然比的函数表达式。直到并包括他的等式 ,即使我们假设我们存在分布不正确的情况,证明也可以向前发展:正如OP所指出的那样,在不正确情况下,方差协方差矩阵的项将有所不同,但是Wilks所做的只是取导数,并确定渐近可忽略的术语。因此他到达了等式。我们看到似然比统计,[[9]h - m h - m[9]如果规范正确,则是平方标准正态随机变量的总和,因此它们以自由度作为一个卡方分布:(通用符号)h−mh−m
−2lnλ=∑i=1h−m(n−−√θ^i−θiσi)2→dχ2h−m
但是,如果我们有错误的规定,则用于缩放居中和放大的MLE的术语不再是使每个元素的方差等于1的术语,并因此将每个项转换为标准范数rv,将总和转换为卡方。
他们都没有,因为这些条款涉及到预期值的数似然的二阶导数的...但期望值只能采取相对于真正的分布,因为最大似然估计的数据和函数数据遵循真实分布,而对数似然的二阶导数是根据错误的密度假设计算的。 n−−√(θ^−θ)
因此,在错误指定的情况下,我们有
我们能做的最好的就是将其操纵为
−2lnλ=∑i=1h−m(n−−√θ^i−θiai)2
− 2 英寸λ = ∑我= 1ħ - 米σ2一世一种2一世(n--√θ^一世- θ一世σ一世)2= ∑我= 1ħ - 米σ2一世一种2一世χ21个
它是缩放后的卡方rv的总和,不再以自由度为一个卡方rv分布。OP提供的参考资料确实是对这种更一般情况的清晰说明,其中包括Wilks的结果作为特殊情况。ħ - 米