[ฉันคิดว่านี่อาจเป็นตัวอย่างของสถานการณ์ภายใต้การสนทนาในคำถามของคุณ]
มีตัวอย่างมากมายของตัวประมาณค่า ML ที่ไม่สอดคล้องกัน ความไม่ลงรอยกันมักพบเห็นได้ทั่วไปในปัญหาการผสมผสานที่ซับซ้อนเล็กน้อยและปัญหาการเซ็นเซอร์
[ความสอดคล้องของการทดสอบนั้นโดยทั่วไปแล้วว่าพลังของการทดสอบสำหรับสมมติฐานที่ผิดพลาด (คงที่) จะเพิ่มขึ้นเป็นหนึ่งเมื่อ ]n→∞
ราดโอนีลให้ตัวอย่างในรายการบล็อกของเขา 2008/08/09 ที่ไม่สอดคล้องกันสูงสุดโอกาสการประเมิน: เป็น“ธรรมดา” ตัวอย่าง มันเกี่ยวข้องกับการประมาณค่าพารามิเตอร์ใน:θ
X | θ ∼ (1/2)N(0,1) + (1/2)N(θ,exp(−1/θ2)2)
(โอนีลใช้ที่ฉันมี ) โดยที่ ML การประเมินของจะมีแนวโน้มที่เป็น (และแน่นอนความเป็นไปได้สูงกว่าในจุดสูงสุดใกล้ 0 มากกว่าที่ค่าจริงสำหรับตัวอย่างที่ค่อนข้างเล็กน้อย ขนาด) อย่างไรก็ตามในกรณีที่มีจุดสูงสุดใกล้กับค่าจริงมันมีขนาดเล็กกว่าค่าใกล้ 0θ θ 0 n →การ∞ θtθθ0n→∞θ
ลองนึกภาพตอนนี้สองกรณีที่เกี่ยวข้องกับสถานการณ์นี้:
a) ดำเนินการทดสอบอัตราส่วนความน่าจะเป็นของกับทางเลือก ;H 1 : θ < θ 0H0:θ=θ0H1:θ<θ0
ข) การดำเนินการทดสอบอัตราส่วนความน่าจะเป็นของกับทางเลือก\H0:θ=θ0H1:θ≠θ0
ในกรณี (a) ลองจินตนาการว่าจริง (เพื่อให้ทางเลือกเป็นจริงและเป็นอีกด้านหนึ่งของความจริง ) จากนั้นทั้งๆที่ข้อเท็จจริงที่ว่าโอกาสที่ใกล้เคียงกับ 0 จะมากกว่านั้นที่ , โอกาสที่ยังคงเกินความน่าจะเป็นที่แม้ในกลุ่มตัวอย่างขนาดเล็กและอัตราส่วนจะยังคงขยายใหญ่เป็นในลักษณะเช่นที่จะทำให้ความน่าจะปฏิเสธในโอกาสไปทดสอบอัตราส่วน 1θ<θ00θθθθ0n→∞
แน่นอนแม้ว่าในกรณี (b) ตราบใดที่ได้รับการแก้ไขและ จำกัด ขอบเขตจากมันก็ควรจะเป็นเช่นนั้นว่าอัตราส่วนความน่าจะเป็นจะเติบโตในลักษณะที่จะทำให้ความน่าจะเป็นในการปฏิเสธในการทดสอบอัตราส่วนความน่าจะเป็นยัง วิธีที่ 1θ00
ดังนั้นนี่จะเป็นตัวอย่างของการประมาณค่า ML ที่ไม่สอดคล้องกันซึ่งอำนาจของ LRT ควรจะอยู่ที่ 1 (ยกเว้นเมื่อ )θ0=0
[โปรดทราบว่าไม่มีอะไรจริง ๆ ที่ไม่ได้อยู่ในคำตอบของ whuber ซึ่งฉันคิดว่าเป็นแบบอย่างที่ชัดเจนและง่ายกว่ามากสำหรับการทำความเข้าใจความแตกต่างระหว่างความสอดคล้องของการทดสอบและความสอดคล้องของตัวประมาณ ความจริงที่ว่าตัวประมาณที่ไม่สอดคล้องกันในตัวอย่างที่เฉพาะเจาะจงนั้นไม่ใช่ ML ไม่สำคัญเท่าที่จะเข้าใจความแตกต่างนั้นและการนำตัวประมาณที่ไม่สอดคล้องซึ่งเฉพาะ ML - อย่างที่ฉันพยายามทำที่นี่ - ไม่ได้เปลี่ยน คำอธิบายใด ๆ ที่สำคัญ จุดที่แท้จริงของตัวอย่างที่นี่คือฉันคิดว่ามันเกี่ยวข้องกับความกังวลของคุณเกี่ยวกับการใช้ตัวประมาณค่า ML]