Likelihood Ratio Test
Statistisches Verfahren zur Hypothesenprüfung
Likelihood Ratio Test Der Likelihood Ratio Test ist ein statistisches Verfahren, das zwei verschachtelte Modelle durch den Vergleich ihrer Likelihood-Funktionen bewertet, um zu entscheiden, ob ein komplexeres Modell signifikant bessere Anpassung an die Daten bietet als ein einfacheres Modell.
Das Wichtigste auf einen Blick
- Der LRT vergleicht zwei verschachtelte Modelle anhand ihrer Likelihoods.
- Er basiert auf der Teststatistik, die das Verhältnis der Likelihoods darstellt.
- Die Teststatistik folgt asymptotisch einer Chi-Quadrat-Verteilung.
- Der Test ist flexibel und in vielen statistischen Modellen anwendbar.
- Er ermöglicht eine formale Entscheidung zwischen Null- und Alternativhypothese.
- Der LRT ist besonders nützlich bei komplexen Modellen mit mehreren Parametern.
Überblick: Likelihood Ratio Test
Der Likelihood Ratio Test (LRT) ist ein fundamentales Werkzeug in der Statistik, das verwendet wird, um Hypothesen über Parameter von Modellen zu testen. Er vergleicht die maximale Wahrscheinlichkeit (Likelihood) der Daten unter zwei Modellen: einem eingeschränkten (Nullhypothese) und einem erweiterten Modell (Alternativhypothese). Das Verfahren ist besonders nützlich bei verschachtelten Modellen, also wenn das einfachere Modell eine spezielle Form des komplexeren darstellt.
Was ist der Likelihood Ratio Test?
Der Likelihood Ratio Test ist ein statistisches Verfahren zum Vergleich zweier verschachtelter Modelle, bei dem geprüft wird, ob das komplexere Modell die Daten signifikant besser erklärt als das einfachere Modell.
Grundprinzip des Tests
Der Test berechnet die Likelihoods (Wahrscheinlichkeiten) der beobachteten Daten unter beiden Modellen. Die Teststatistik ist definiert als das Verhältnis dieser Likelihoods, meist in logarithmierter Form und mit Faktor −2 multipliziert. Diese Teststatistik wird mit einer Chi-Quadrat-Verteilung verglichen, um die Signifikanz zu bestimmen.
Mathematische Formulierung
Die Teststatistik lautet: λ = −2 ln(L0 / L1), wobei L0 die maximale Likelihood unter der Nullhypothese (eingeschränktes Modell) und L1 die maximale Likelihood unter der Alternativhypothese (erweitertes Modell) ist. Unter der Nullhypothese folgt λ asymptotisch einer Chi-Quadrat-Verteilung mit Freiheitsgraden gleich der Differenz der Anzahl der Parameter der Modelle.
Beispielhafte Likelihood Ratio Teststatistik und Freiheitsgrade
| Modell | Anzahl Parameter | Likelihood (L) | Teststatistik λ = −2 ln(L0/L1) | Freiheitsgrade |
|---|---|---|---|---|
| Modell A (eingeschränkt) | 2 | 0,01 | - | |
| Modell B (erweitert) | 4 | 0,05 | −2 × ln(0,01/0,05) ≈ 3,22 | 2 |
| Modell C (erweitert) | 5 | 0,08 | −2 × ln(0,01/0,08) ≈ 4,38 | 3 |
Anwendungsbereiche
Der Likelihood Ratio Test wird in vielen Bereichen eingesetzt, darunter Biostatistik, Ökonometrie, Psychologie, Maschinelles Lernen und allgemeine statistische Modellierung. Er dient zur Modellselektion, zum Testen von Parametern und zur Validierung von Hypothesen.
Vorteile und Nachteile
Der LRT ist sehr flexibel und leistungsfähig, insbesondere bei großen Stichproben. Allerdings setzt er verschachtelte Modelle voraus und die asymptotische Chi-Quadrat-Verteilung gilt nur unter bestimmten Bedingungen. Bei kleinen Stichproben kann der Test unzuverlässig sein.
Vergleich mit anderen Tests
Im Gegensatz zum Wald-Test oder Score-Test benötigt der LRT keine Schätzung der Varianzmatrix der Parameter unter der Alternativhypothese. Er ist oft robuster und liefert zuverlässige Ergebnisse bei komplexen Modellen.
Beispiel: Test auf Signifikanz eines Parameters
Angenommen, ein einfaches Regressionsmodell enthält zwei Parameter, das erweiterte Modell drei. Der LRT prüft, ob der zusätzliche Parameter die Modellanpassung signifikant verbessert. Die Likelihoods werden berechnet, die Teststatistik gebildet und mit der Chi-Quadrat-Verteilung verglichen.
Wichtig
Der Likelihood Ratio Test ist nur bei verschachtelten Modellen anwendbar. Für nicht-verschachtelte Modelle sind andere Verfahren wie der Akaike-Informationskriterium (AIC) geeigneter.
Zusatzinformationen
Begriff: Likelihood Ratio Test
Anwendungsbereich: Statistik, Hypothesenprüfung
Grundlage: Vergleich der Likelihoods zweier Modelle
Teststatistik: −2 × ln(Likelihood des eingeschränkten Modells / Likelihood des erweiterten Modells)
Verteilung der Teststatistik: Chi-Quadrat-Verteilung mit Freiheitsgraden entsprechend der Differenz der Modellparameter
Voraussetzungen: Verschachtelte Modelle, große Stichproben
Alternativbezeichnungen: LRT
Synonyme und alternative Bezeichnungen
Häufige Fragen zu Likelihood Ratio Test
Was bedeutet verschachtelte Modelle im Kontext des Likelihood Ratio Tests?
Verschachtelte Modelle sind solche, bei denen das einfachere Modell eine spezielle Form des komplexeren Modells ist, also durch Einschränkungen an den Parametern des komplexeren Modells entsteht.
Welche Verteilung hat die Teststatistik des Likelihood Ratio Tests?
Die Teststatistik folgt asymptotisch einer Chi-Quadrat-Verteilung mit Freiheitsgraden entsprechend der Differenz der Anzahl der Parameter zwischen den Modellen.
Wann ist der Likelihood Ratio Test nicht geeignet?
Der LRT ist bei kleinen Stichproben oder bei nicht-verschachtelten Modellen nicht geeignet, da die theoretischen Voraussetzungen für die Chi-Quadrat-Verteilung der Teststatistik nicht erfüllt sind.
Wie interpretiert man das Ergebnis des Likelihood Ratio Tests?
Ein hoher Wert der Teststatistik und ein kleiner p-Wert deuten darauf hin, dass das erweiterte Modell die Daten signifikant besser erklärt als das eingeschränkte Modell.
Welche Alternativen gibt es zum Likelihood Ratio Test?
Alternativen sind der Wald-Test, der Score-Test sowie informationskriteriumsbasierte Verfahren wie AIC oder BIC, insbesondere bei nicht-verschachtelten Modellen.
Kann der Likelihood Ratio Test für nichtlineare Modelle verwendet werden?
Ja, der LRT ist allgemein anwendbar, solange die Modelle verschachtelt sind und die Likelihoods berechnet werden können, auch bei nichtlinearen Modellen.
Was ist der Vorteil des Likelihood Ratio Tests gegenüber anderen Tests?
Der LRT benötigt keine Schätzung der Varianz unter der Alternativhypothese und ist oft robuster und genauer bei komplexen Modellen.
Quellen & weiterführende Informationen
Quellenvorschläge und Nachweise zum Artikel. Bitte externe Inhalte eigenständig prüfen.
- 01Statistik: Eine Einführung für Sozialwissenschaftler ↗
Umfassende Darstellung statistischer Tests inklusive Likelihood Ratio Test.
https://www.springer.com/statistik-einfuehrung-sozialwissenschaftler - 02Likelihood Ratio Tests in Statistical Models ↗
Detaillierte Erklärung und mathematische Grundlagen des LRT.
https://www.statlect.com/fundamentals-of-statistics/likelihood-ratio-test - 03An Introduction to Statistical Learning ↗
Grundlagen der statistischen Modellierung und Hypothesentests.
https://www.statlearning.com/