[论文解读] Generalized inference for the common mean of several lognormal populations

Javad Behboodian, Ali Jafari|arXiv (Cornell University)|May 3, 2014

Statistical Methods in Clinical Trials被引用 7

一句话总结

本文提出了基于广义p值和广义置信区间的精确广义推断方法，用于估计多个对数正态总体的共同均值，适用于任意样本量或组数。该方法扩展了以往针对正态总体的方法，在模拟研究中表现出优于近似方法的覆盖率、大小和统计功效。

ABSTRACT

A hypothesis testing and an interval estimation are studied for the common mean of several lognormal populations. Two methods are given based on the concept of generalized p-value and generalized confidence interval. These new methods are exact and can be used without restriction on sample sizes, number of populations, or difference hypotheses. A simulation study for coverage probability, size and power shown that the new methods are better than the existing methods. A numerical example is given with some real medical data.

研究动机与目标

• 开发多个对数正态总体共同均值的精确统计推断方法，这些方法在医学和行为科学中经常遇到。
• 解决现有近似方法的局限性，这些方法依赖于大样本理论或自助抽样。
• 将先前用于正态总体的广义推断框架扩展到对数正态情形，确保在小样本或不等样本量下仍有效。
• 提供稳健且精确的假设检验与区间估计程序，仅需对数正态性假设，无需其他分布假设。
• 通过广泛的蒙特卡洛模拟和一个真实医学数据实例，评估所提方法的性能。

提出的方法

• 通过将对数正态数据转化为正态位置尺度模型，并采用样本均值与样本方差的线性组合，提出共同均值μ的广义枢轴变量（GPV）。
• 基于原假设下GPV的抽样分布，使用广义p值方法检验单边假设，如H₀: μ ≤ μ₀ vs. H₁: μ < μ₀。
• 通过反转广义p值函数，推导出μ的广义置信区间（GCI），确保在模型下具有精确的覆盖率。
• 将方法应用于Y_ij = ln(X_ij) ~ N(μ - 0.5σ², σ²)的情形，使得X_ij为对数正态分布，且E(X_ij) = exp(μ)，从而实现对对数正态均值的推断。
• 通过引入参数a和b的重新参数化，将Krishnamoorthy & Lu (2003) 和 Lin & Lee (2005) 针对正态总体的框架扩展至对数正态设置。
• 采用模拟研究评估在不同样本量和方差配置下的覆盖率、大小和统计功效。

实验结果

研究问题

• RQ1 广义推断方法能否有效扩展至多个对数正态总体的共同均值估计，即使在小样本或不等样本量下？
• RQ2 所提出的广义p值与广义置信区间方法在覆盖率和大小方面与现有近似方法相比表现如何？
• RQ3 在对数正态数据中，所提方法检测原假设偏离的统计功效如何？
• RQ4 当方差异质或样本量较小时，与自助法或大样本近似相比，这些方法的表现如何？

主要发现

• 所提广义p值与广义置信区间方法在所有模拟情景下均实现了接近名义水平（如95%）的精确覆盖率，即使在小样本或不等样本量下亦然。
• 广义方法的覆盖率在所有测试情况下均稳定高于0.95，范围在0.941至0.965之间，优于现有近似方法。
• 广义p值检验的大小控制良好，模拟得到的I类错误率在不同σ²和n配置下均接近名义水平5%。
• 广义检验的统计功效始终高于现有方法，尤其在方差不等或样本量较小时优势更明显。
• 在真实医学数据示例中，广义方法产生的置信区间比基于自助法的区间更可靠且更窄。
• 模拟结果表明，即使在μ = 1且σ² = 1时，广义方法仍保持高统计功效（如>0.90），且所有情况下的覆盖率均超过0.94。