如果您乐于假设每个计数都遵循泊松分布(在替代假设下具有自己的均值;在零假设下具有共同的均值),那么就没有问题了–只是如果没有重复就无法检查该假设。过度分散在计数数据中很常见。
给定计数和x 2的精确测试很简单,因为计数的总和n = x 1 + x 2X1个X2n = x1个+ x2是辅助的;它调节给出为null下您的测试统计量的分布。†这是一个直观的结果:总计数可能反映了您可能会花多少时间观察这两个Poisson过程,因此不提供有关其相对比率的信息,但会影响测试的功效;因此,您可能获得的其他总体计数无关紧要。X1个〜乙我Ñ (12,n )
有关Wald检验,请参见基于似然性的假设检验(近似值)。
†每个计数是均值的泊松分布λ 我 ˚F X(X 我)= λ X 我我 ë - λ 我X一世λ一世
Reparametrize作为
θ
FX(x一世)= λX一世一世Ë- λ一世X一世!我= 1 ,2
,其中
θ是你感兴趣的东西,和
φ是多余参数。然后可以重写关节质量函数:
f X 1,X 2θϕ= λ1个λ1个+ λ2= λ1个+ λ2
θϕ
总数
n对
θ是辅助的,具有泊松分布,均值
ϕFX1个,X2(x1个,X2)FX1个,N(x1个,n )= λX1个1个λX22Ë− (λ1个+ λ2)X1个!X2!= θX1个(1 - θ )n − x1个·&φñË- φX1个!(n − x1个)!
ñθϕ
而给定
n的
X1的条件分布是二项式,伯努利概率为
θ&no。试验
nfX1| n(x1;n)Fñ(n )= ∑X1个= 0∞FX1个,N(x1个,n )= ϕñË- φn !∑X1个= 0∞n !X1个!(n − x1个)!θX1个(1 - θ )n − x1个= ϕñË- φn !
X1个ñθñ
FX1个| ñ(x1个; n )= fX1个,N(x1个,n )Fñ(n )= θX1个(1 - θ )n − x1个·&φñË- φX1个!(n − x1个)!⋅ ñ !ϕñË- φ= n !X1个!(n − x1个)!θX1个(1 - θ )n − x1个