มันสมเหตุสมผลหรือไม่ที่จะทำการทดสอบ Kolmogorov-Smirnov แบบ one-tailed?


15

มันมีความหมายและเป็นไปได้หรือไม่ที่จะทำการทดสอบ KS แบบทางเดียว? สมมติฐานว่างของการทดสอบดังกล่าวจะเป็นอย่างไร หรือการทดสอบ KS นั้นเป็นการทดสอบแบบสองทางโดยเนื้อแท้

ฉันจะได้รับประโยชน์จากคำตอบที่ช่วยให้ฉันเข้าใจการกระจายของD (ฉันกำลังทำงานผ่านกระดาษของ Massey ในปี 1951 และค้นหาคำอธิบายที่ท้าทายตัวอย่างเช่นและD - supremum และ infinite ของความแตกต่างของค่าไม่แน่นอน ของความแตกต่างใน CDF เชิงประจักษ์?)D+D-

คำถามติดตามผล: value เป็นอย่างไรสำหรับD +และD -ได้มาอย่างไร จำนวนมากดังนั้นของสิ่งพิมพ์ฉันกำลังเผชิญหน้ากับกำลังนำเสนอค่าขึ้นบัญชีดำมากกว่า CDF ของD n , D +และD -พีD+D-DnD+D

อัปเดต:ฉันเพิ่งค้นพบคำถามที่เกี่ยวข้องอะไรคือสมมติฐานว่างในการทดสอบ Kolmogorov-Smirnov ด้านเดียว? ซึ่งฉันพลาดการสแกนครั้งแรกก่อนที่จะเขียนอันนี้

คำตอบ:


20

มันมีความหมายและเป็นไปได้หรือไม่ที่จะทำการทดสอบ KS แบบทางเดียว?

อย่างแน่นอน.

การทดสอบ KS โดยเนื้อแท้เป็นการทดสอบแบบสองด้าน

ไม่ใช่เลย.

สมมติฐานว่างของการทดสอบดังกล่าวจะเป็นอย่างไร

คุณไม่ชัดเจนว่าคุณกำลังพูดถึงการทดสอบตัวอย่างหนึ่งหรือสองตัวอย่าง คำตอบของฉันที่นี่ครอบคลุมทั้ง - ถ้าคุณคิดว่าเป็นคิดเป็น CDF ของประชากรจากการที่Xตัวอย่างถูกดึงออกมาก็สองตัวอย่างในขณะที่คุณจะได้รับกรณีตัวอย่างหนึ่งโดยเกี่ยวกับF Xเป็นบางส่วนกระจายสมมติฐาน ( F 0 , หากคุณต้องการ)FXXFXF0

ในบางกรณีคุณสามารถเขียนโมฆะเป็นความเท่าเทียมกัน (เช่นถ้ามันไม่ได้เป็นไปได้ที่จะไปทางอื่น) แต่ถ้าคุณต้องการเขียนโมฆะทิศทางสำหรับทางเลือกหนึ่งทางเลือกคุณสามารถเขียนสิ่งนี้ :

H0:FY(t)FX(t)

H1:FY(t)<FX(t)อย่างน้อยหนึ่งt

(หรือสนทนากับหางอื่น ๆ ตามธรรมชาติ)

ถ้าเราเพิ่มสมมติฐานเมื่อเราใช้ทดสอบว่าพวกเขากำลังทั้งสองเท่ากันหรือว่าจะมีขนาดเล็กแล้วปฏิเสธ null นัย (ลำดับแรก) การสั่งซื้อสุ่ม / สั่งซื้อครั้งแรกครอบงำสุ่ม ในตัวอย่างที่มีขนาดใหญ่พอจะเป็นไปได้ที่ F จะข้าม - แม้แต่หลาย ๆ ครั้งและยังคงปฏิเสธการทดสอบด้านเดียวดังนั้นจึงจำเป็นต้องมีการสันนิษฐานสำหรับการสุ่มแบบสุ่มFY

คับถ้ากับความไม่เท่าเทียมกันที่เข้มงวดสำหรับอย่างน้อยบางส่วนทีแล้วY 'มีแนวโน้มที่จะมีขนาดใหญ่กว่าXFY(t)FX(t)tYX

การเพิ่มสมมติฐานเช่นนี้ไม่แปลก มันเป็นมาตรฐาน มันไม่ได้แตกต่างจากสมมติว่า (พูดใน ANOVA) ว่าความแตกต่างของค่าเฉลี่ยนั้นเกิดจากการเปลี่ยนแปลงของการแจกแจงทั้งหมด (แทนที่จะเป็นการเปลี่ยนแปลงความเบ้ที่การกระจายบางส่วนเลื่อนลงและเลื่อนขึ้นบ้าง แต่ใน วิธีที่ค่าเฉลี่ยเปลี่ยนไป)


ตัวอย่างเช่นลองพิจารณาการเปลี่ยนค่าเฉลี่ยสำหรับปกติ:

ป้อนคำอธิบายรูปภาพที่นี่

ความจริงที่ว่ากระจายสินค้าสำหรับจะเลื่อนขวาตามจำนวนเงินที่จากการที่Xหมายความว่าF Yต่ำกว่าF X การทดสอบ Kolmogorov-Smirnov ด้านเดียวมีแนวโน้มที่จะปฏิเสธในสถานการณ์นี้YXFYFX

ในทำนองเดียวกันให้พิจารณาปรับสเกลในแกมม่า:

ป้อนคำอธิบายรูปภาพที่นี่

อีกครั้งการเปลี่ยนไปสู่ระดับที่ใหญ่ขึ้นจะทำให้ระดับ F ลดลงอีกครั้งการทดสอบ Kolmogorov-Smirnov ด้านเดียวจะมีแนวโน้มที่จะปฏิเสธในสถานการณ์นี้

มีหลายสถานการณ์ที่การทดสอบดังกล่าวอาจมีประโยชน์


D+D

D+F0D-F0D+D-

ป้อนคำอธิบายรูปภาพที่นี่

D+D-

H0:FY(เสื้อ)F0(เสื้อ)

H1:FY(เสื้อ)<F0(เสื้อ)อย่างน้อยหนึ่งเสื้อ

YFF0D-FY(เสื้อ)<F0(เสื้อ)D-


D+D-

มันไม่ใช่เรื่องง่าย มีหลากหลายวิธีที่ใช้

ถ้าฉันจำได้อย่างถูกต้องหนึ่งในวิธีการกระจายที่ได้รับผ่านการใช้กระบวนการบราวเนียนบริดจ์ ( เอกสารนี้ดูเหมือนจะสนับสนุนความทรงจำนั้น )

ฉันเชื่อว่าบทความนี้และบทความโดย Marsaglia และคณะ ที่นี่ทั้งสองครอบคลุมพื้นหลังบางส่วนและให้อัลกอริธึมการคำนวณด้วยการอ้างอิงจำนวนมาก

ระหว่างนั้นคุณจะได้รับประวัติจำนวนมากและวิธีการต่าง ๆ ที่ถูกนำมาใช้ หากพวกเขาไม่ครอบคลุมสิ่งที่คุณต้องการคุณอาจต้องถามคำถามนี้เป็นคำถามใหม่

DnD+D-

นั่นไม่น่าประหลาดใจโดยเฉพาะ ถ้าฉันจำได้ถูกต้องแม้การกระจายเชิงซีโมติกจะได้รับเป็นชุด (ความทรงจำนี้จะผิด) และในกลุ่มตัวอย่าง จำกัด มันไม่ต่อเนื่องและไม่ได้อยู่ในรูปแบบง่าย ๆ ไม่ว่าในกรณีใดและไม่มีวิธีที่สะดวกในการนำเสนอข้อมูลยกเว้นเป็นกราฟหรือตาราง


2
"ในตัวอย่างที่มีขนาดใหญ่พอเป็นไปได้ที่ F จะข้าม - แม้กระทั่งหลายครั้งและยังคงปฏิเสธการทดสอบด้านเดียว" - โปรดทราบว่านี่หมายความว่าคุณสามารถปฏิเสธการทดสอบด้านเดียวในทั้งสองทิศทางสำหรับข้อมูลเดียวกัน!
Hao Ye

2
@ HaoYe ใช่นั่นเป็นไปได้ มันจะเป็นตัวบ่งชี้ที่ชัดเจนว่าการปกครองแบบสุ่มจะไม่สามารถป้องกันได้
Glen_b -Reinstate Monica
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.