[论文解读] A Law of Likelihood for Composite Hypotheses

Zhiwei Zhang|ArXiv.org|Jan 5, 2009

Advanced Statistical Methods and Models参考文献 13被引用 18

一句话总结

本文通过在公理化基础上将经典似然律扩展至处理复杂、非简单假设，提出了一种复合假设的广义似然律（GLL）。它引入了一种基于参数集上上确界与下确界似然的广义似然比（GLR），即使在假设为复合时也能实现客观、基于证据的比较，关键结果表明其在临床和等效性检验场景中具有一致性和实际应用价值。

ABSTRACT

The law of likelihood underlies a general framework, known as the likelihood paradigm, for representing and interpreting statistical evidence. As stated, the law applies only to simple hypotheses, and there have been reservations about extending the law to composite hypotheses, despite their tremendous relevance in statistical applications. This paper proposes a generalization of the law of likelihood for composite hypotheses. The generalized law is developed in an axiomatic fashion, illustrated with real examples, and examined in an asymptotic analysis. Previous concerns about including composite hypotheses in the likelihood paradigm are discussed in light of the new developments. The generalized law of likelihood is compared with other likelihood-based methods and its practical implications are noted. Lastly, a discussion is given on how to use the generalized law to interpret published results of hypothesis tests as reduced data when the full data are not available.

研究动机与目标

• 为解决经典似然律仅适用于简单假设这一长期局限性，将其扩展至复合假设。
• 为在复合假设（如单侧或双侧替代假设、等效区域等）情形下测量统计证据，提供一个原则性、公理化的框架。
• 通过形式化公理和渐近分析，解决以往对在似然范式中纳入复合假设合法性的质疑。
• 使已发表假设检验结果（如p值）可被视作简化数据，即使无法获取完整数据集，也能进行证据评估。
• 将所提方法与现有基于似然的方法进行比较，展示其在临床试验等实际应用中的实用优势。

提出的方法

• 提出公理1：若H1上似然的下确界超过H2上似然的上确界，则H1比H2更受支持。
• 将广义似然比（GLR）定义为H2上似然的上确界与H1上似然的下确界之比，确保证据测量的客观性。
• 将GLR应用于多种假设类型，包括单侧、双侧及等效性检验，利用功效函数推导显式表达式。
• 通过将p值视为充分统计量，推导出p值对应的GLR，证明在正态模型下其与基于原始检验统计量的GLR等价。
• 利用渐近分析研究在正规参数模型下GLR的行为，验证其一致性和稳健性。
• 通过真实临床试验案例（包括优效性、非劣效性和生物等效性研究）说明该方法，展示其实际可解释性。

实验结果

研究问题

• RQ1 如何在不损失证据客观性的情况下，将经典似然律扩展至复合假设？
• RQ2 何种公理基础可确保广义似然比对复合假设仍为有效的统计证据度量？
• RQ3 广义似然比在标准检验场景（如单侧、双侧及等效性检验）中的表现如何？
• RQ4 是否可将已发表的p值视为简化数据，用于基于广义律的证据解释？
• RQ5 与现有基于似然的方法相比，该方法在可解释性和稳健性方面有何优势？

主要发现

• 广义似然比（GLR）为复合假设提供了连贯且客观的证据度量，当GLR > 1时，表示对H2的支持强于H1。
• 在显著性水平α = 0.05的单侧检验中，拒绝H1: θ ≤ θ* 而支持H2: θ > θ* 的GLR达到rT = 20，表明证据相当充分。
• 当α = 0.025时，GLR增至rT = 40，根据Royall的基准，可视为强证据。
• 在等效性检验中，当H1: |θ − θ*| ≥ δ被拒绝，H2: |θ − θ*| < δ的GLR为rT = πmax/α，且πmax > α，表明最大功效具有实际意义。
• 基于p值的GLR与基于原始检验统计量的GLR在正态模型下一致，验证了其作为简化数据证据度量的有效性。
• 该方法通过利用上确界与下确界似然，客观量化证据，解决了以往关于在似然范式中使用复合假设的疑虑。