Нецентральное гипергеометрическое распределение Фишера - Википедия - Fishers noncentral hypergeometric distribution

Функция масс вероятности для нецентрального гипергеометрического распределения Фишера для различных значений отношения шансов ω.
м₁ = 80, м₂ = 60, п = 100, ω = 0,01, ..., 1000

Биолог и статистик Рональд Фишер

В теория вероятности и статистика, Нецентральное гипергеометрическое распределение Фишера является обобщением гипергеометрическое распределение где вероятности выборки модифицированы весовыми коэффициентами. Его также можно определить как условное распределение из двух или более биномиально распределенный переменные, зависящие от их фиксированной суммы.

Распределение можно проиллюстрировать следующими модель урны. Предположим, например, что урна содержит м₁ красные шары и м₂ белые шары, всего N = м₁ + м₂ мячи. Каждый красный шар имеет вес ω₁ и каждый белый шар имеет вес ω₂. Будем говорить, что отношение шансов ω = ω₁ / ω₂. Теперь мы выбираем шары случайным образом таким образом, чтобы вероятность взятия конкретного шара была пропорциональна его весу, но не зависела от того, что происходит с другими шарами. Количество взятых шаров определенного цвета соответствует биномиальное распределение. Если общее количество п количества взятых шаров известно, то условное распределение количества взятых красных шаров для данного п - нецентральное гипергеометрическое распределение Фишера. Чтобы получить это распределение экспериментально, мы должны повторять эксперимент, пока он не даст п мячи.

Если мы хотим исправить значение п перед экспериментом мы должны брать шары один за другим, пока не получим п мячи. Следовательно, шары больше не независимы. Это дает немного другое распределение, известное как Нецентральное гипергеометрическое распределение Валлениуса. Далеко не очевидно, почему эти два дистрибутива разные. См. Запись для нецентральные гипергеометрические распределения для объяснения разницы между этими двумя дистрибутивами и обсуждения того, какой дистрибутив использовать в различных ситуациях.

Оба распределения равны (центральному) гипергеометрическое распределение когда отношение шансов равно 1.

К сожалению, оба распределения известны в литературе как «нецентральное гипергеометрическое распределение». При использовании этого имени важно уточнить, какой дистрибутив имеется в виду.

Нецентральное гипергеометрическое распределение Фишера впервые получило название расширенное гипергеометрическое распределение (Harkness, 1965), и некоторые авторы до сих пор используют это название.

Одномерное распределение

Одномерное нецентральное гипергеометрическое распределение Фишера

Параметры	${ displaystyle m_ {1}, m_ {2} in mathbb {N}}$ ${ displaystyle N = m_ {1} + m_ {2}}$ ${ Displaystyle п в [0, N)}$ ${ displaystyle omega in mathbb {R} _ {+}}$
Поддерживать	${ Displaystyle х ин [х _ { мин}, х _ { макс}]}$ ${ Displaystyle х _ { мин} = макс (0, п-м_ {2})}$ ${ Displaystyle х _ { макс} = мин (п, м_ {1})}$
PMF	${ displaystyle { frac {{ binom {m_ {1}} {x}} { binom {m_ {2}} {n-x}} omega ^ {x}} {P_ {0}}}})$ куда ${ displaystyle P_ {0} = sum _ {y = x _ { min}} ^ {x _ { max}} { binom {m_ {1}} {y}} { binom {m_ {2}} {ny}} omega ^ {y}}$
Иметь в виду	${ displaystyle { frac {P_ {1}} {P_ {0}}}}$, куда ${ displaystyle P_ {k} = sum _ {y = x _ { min}} ^ {x _ { max}} { binom {m_ {1}} {y}} { binom {m_ {2}} {ny}} omega ^ {y} , y ^ {k}}$
Режим	${ displaystyle , , left lfloor { frac {-2C} {B - { sqrt {B ^ {2} -4AC}}}} right rfloor ,}$ , куда ${ displaystyle A = omega -1}$, ${ displaystyle B = m_ {1} + n-N- (m_ {1} + n + 2) omega}$, ${ Displaystyle С = (м_ {1} +1) (п + 1) омега}$.
Дисперсия	${ displaystyle { frac {P_ {2}} {P_ {0}}} - left ({ frac {P_ {1}} {P_ {0}}} right) ^ {2}}$, куда пk приведено выше.

Функция вероятности, среднее значение и дисперсия приведены в соседней таблице.

Альтернативное выражение распределения имеет как количество взятых шаров каждого цвета, так и количество шаров, не взятых в качестве случайных величин, в результате чего выражение для вероятности становится симметричным.

Время вычисления функции вероятности может быть большим, если сумма в п₀ имеет много терминов. Время вычисления можно сократить, вычисляя слагаемые суммы рекурсивно относительно члена для у = Икс и игнорирование незначительных терминов в хвосте (Liao and Rosen, 2001).

Среднее значение можно приблизительно рассчитать следующим образом:

${ Displaystyle mu приблизительно { гидроразрыва {-2c} {b - { sqrt {b ^ {2} -4ac}}}} ,}$ ,

куда ${ displaystyle a = omega -1}$, ${ displaystyle b = m_ {1} + n-N- (m_ {1} + n) omega}$, ${ displaystyle c = m_ {1} п омега}$.

Дисперсию можно приблизительно определить следующим образом:

${ displaystyle sigma ^ {2} приблизительно { frac {N} {N-1}} { bigg /} left ({ frac {1} { mu}} + { frac {1} { m_ {1} - mu}} + { frac {1} {n- mu}} + { frac {1} { mu + m_ {2} -n}} right)}$ .

Лучшие приближения к среднему и дисперсии даны Левином (1984, 1990), МакКуллагом и Нелдером (1989), Ляо (1992) и Эйсингой и Пельцером (2011). Методы перевала для аппроксимации среднего и дисперсии, предложенные Эйзингой и Пельцером (2011), предлагают чрезвычайно точные результаты.

Характеристики

Применяются следующие соотношения симметрии:

${ displaystyle operatorname {fnchypg} (x; n, m_ {1}, N, omega) = operatorname {fnchypg} (n-x; n, m_ {2}, N, 1 / omega) ,.}$

${ displaystyle operatorname {fnchypg} (x; n, m_ {1}, N, omega) = operatorname {fnchypg} (x; m_ {1}, n, N, omega) ,.}$

${ displaystyle operatorname {fnchypg} (x; n, m_ {1}, N, omega) = operatorname {fnchypg} (m_ {1} -x; Nn, m_ {1}, N, 1 / omega ) ,.}$

Отношение повторяемости:

${ displaystyle operatorname {fnchypg} (x; n, m_ {1}, N, omega) = operatorname {fnchypg} (x-1; n, m_ {1}, N, omega) { frac { (m_ {1} -x + 1) (n-x + 1)} {x (m_ {2} -n + x)}} omega ,.}$

Раздачу ласково называют «зяблик-свинья» на основании приведенного выше соглашения об аббревиатурах.

Вывод

Одномерное нецентральное гипергеометрическое распределение может быть получено альтернативно как условное распределение в контексте двух биномиально распределенных случайных величин, например, при рассмотрении реакции на конкретное лечение в двух разных группах пациентов, участвующих в клиническом исследовании. Важным применением нецентрального гипергеометрического распределения в этом контексте является вычисление точных доверительных интервалов для отношения шансов при сравнении ответа на лечение между двумя группами.

Предполагать Икс и Y являются биномиально распределенными случайными величинами, подсчитывающими количество респондентов в двух соответствующих группах размера м_Икс и м_Y соответственно,

${ displaystyle X sim operatorname {Bin} (m_ {X}, pi _ {X}), quad Y sim operatorname {Bin} (m_ {Y}, pi _ {Y}) , }$.

Их отношение шансов выражается как

${ displaystyle omega = { frac { omega _ {X}} { omega _ {Y}}} = { frac { pi _ {X} / (1- pi _ {X})} { pi _ {Y} / (1- pi _ {Y})}}}$.

Распространенность респондентов ${ displaystyle pi _ {я}}$ полностью определено с точки зрения шансов ${ displaystyle omega _ {я}}$, ${ displaystyle i in {X, Y }}$, которые соответствуют смещению выборки в приведенной выше схеме урны, т.е.

${ displaystyle pi _ {i} = { frac { omega _ {i}} {1+ omega _ {i}}}}$.

Это испытание можно обобщить и проанализировать с помощью следующей таблицы непредвиденных обстоятельств.

В таблице, ${ Displaystyle п = х + у}$ соответствует общему количеству респондентов в группах, и N к общему количеству пациентов, включенных в исследование. Точки обозначают соответствующие подсчеты частоты, не имеющие дальнейшего значения.

Распределение выборки респондентов в группе X в зависимости от результатов исследования и распространенности, ${ displaystyle Pr (X = x ; | ; X + Y = n, m_ {X}, m_ {Y}, omega _ {X}, omega _ {Y})}$, нецентрально гипергеометрично:

${ Displaystyle { begin {align} F (X, omega): & = Pr (X = x ; | ; X + Y = n, m_ {X}, m_ {Y}, omega _ {X }, omega _ {Y}) & = { frac {Pr (X = x, X + Y = n ; | ; m_ {X}, m_ {Y}, omega _ {X}, omega _ {Y})} {Pr (X + Y = n ; | ; m_ {X}, m_ {Y}, omega _ {X}, omega _ {Y})}} & = { frac {Pr (X = x ; | ; m_ {X}, omega _ {X}) Pr (Y = nx ; | ; m_ {Y}, omega _ {Y}, X = x)} {Pr (X + Y = n ; | ; m_ {X}, m_ {Y}, omega _ {X}, omega _ {Y})}} & = { frac {{ binom {m_ {X}} {x}} pi _ {X} ^ {x} (1- pi _ {X}) ^ {m_ {X} -x} { binom {m_ {Y }} {nx}} pi _ {Y} ^ {nx} (1- pi _ {Y}) ^ {m_ {Y} - (nx)}} {Pr (X + Y = n ; | ; m_ {X}, m_ {Y}, omega _ {X}, omega _ {Y})}} & = { frac {{ binom {m_ {X}} {x}} omega _ {X} ^ {x} (1- pi _ {X}) ^ {m_ {X}} { binom {m_ {Y}} {nx}} omega _ {Y} ^ {nx} (1 - pi _ {Y}) ^ {m_ {Y}}} {Pr (X + Y = n ; | ; m_ {X}, m_ {Y}, omega _ {X}, omega _ { Y})}} & = { frac {{ binom {m_ {X}} {x}} { binom {m_ {Y}} {nx}} omega ^ {x} (1- pi _ {X}) ^ {m_ {X}} omega _ {Y} ^ {n} (1- pi _ {Y}) ^ {m_ {Y}}} {(1- pi _ {X} ) ^ {m_ {X}} omega _ {Y} ^ {n} (1- pi _ {Y}) ^ {m_ {Y}} sum _ {u = max (0, n-m_ { Y})} ^ { min (m_ {X}, n)} { binom {m_ {X}} {u}} { binom {m_ {Y}} {nu}} omega ^ {u}} } & = { frac {{ binom {m_ {X}} {х }} { binom {m_ {Y}} {nx}} omega ^ {x}} { sum _ {u = max (0, n-m_ {Y})} ^ { min (m_ {X }, n)} { binom {m_ {X}} {u}} { binom {m_ {Y}} {nu}} omega ^ {u}}} end {выровнено}}}$

Обратите внимание, что знаменатель - это, по сути, просто числитель, просуммированный по всем событиям общего пространства выборок. ${ displaystyle (X, Y)}$ для чего ${ Displaystyle X + Y = п}$. Условия не зависят от Икс можно вычесть из суммы и сократить числитель.

Многовариантное распределение

Многомерное нецентральное гипергеометрическое распределение Фишера

Параметры	${ displaystyle c in mathbb {N}}$ ${ displaystyle mathbf {m} = (m_ {1}, ldots, m_ {c}) in mathbb {N} ^ {c}}$ ${ Displaystyle N = сумма _ {я = 1} ^ {с} м_ {я}}$ ${ Displaystyle п в [0, N)}$ ${ displaystyle { boldsymbol { omega}} = ( omega _ {1}, ldots, omega _ {c}) in mathbb {R} _ {+} ^ {c}}$
Поддерживать	${ displaystyle mathrm {S} = left { mathbf {x} in mathbb {Z} _ {0 +} ^ {c} ,: , sum _ {i = 1} ^ {c } x_ {i} = n right }}$
PMF	${ displaystyle { frac {1} {P_ {0}}} prod _ {i = 1} ^ {c} { binom {m_ {i}} {x_ {i}}} omega _ {i} ^ {x_ {i}}}$ куда ${ displaystyle P_ {0} = sum _ {(y_ {0}, ldots, y_ {c}) in mathrm {S}} prod _ {i = 1} ^ {c} { binom { м_ {i}} {y_ {i}}} omega _ {i} ^ {y_ {i}}}$
Иметь в виду	Среднее μя из Икся можно приблизительно оценить ${ displaystyle mu _ {i} = { frac {m_ {i} r omega _ {i}} {r omega _ {i} +1}}}$ куда р является единственным положительным решением ${ Displaystyle сумма _ {я = 1} ^ {с} му _ {я} = п ,}$.

Распределение можно расширить до любого количества цветов. c шаров в урне. Многовариантное распределение используется при наличии более двух цветов.

Функция вероятности и простое приближение к среднему приведены справа. Лучшее приближение к среднему и дисперсии дано McCullagh and Nelder (1989).

Характеристики

Порядок цветов произвольный, поэтому любые цвета можно менять местами.

Веса можно масштабировать произвольно:

${ displaystyle operatorname {mfnchypg} ( mathbf {x}; n, mathbf {m}, { boldsymbol { omega}}) = operatorname {mfnchypg} ( mathbf {x}; n, mathbf { m}, r { boldsymbol { omega}}) , ,}$ для всех ${ displaystyle r in mathbb {R} _ {+}.}$

Цвета с нулевым числом (м_я = 0) или нулевого веса (ω_я = 0) можно не включать в уравнения.

Можно сочетать цвета с одинаковым весом:

${ displaystyle { begin {align} & {} operatorname {mfnchypg} left ( mathbf {x}; n, mathbf {m}, ( omega _ {1}, ldots, omega _ {c -1}, omega _ {c-1}) right) & {} = operatorname {mfnchypg} left ((x_ {1}, ldots, x_ {c-1} + x_ {c} ); n, (m_ {1}, ldots, m_ {c-1} + m_ {c}), ( omega _ {1}, ldots, omega _ {c-1}) right) , cdot & qquad operatorname {hypg} (x_ {c}; x_ {c-1} + x_ {c}, m_ {c}, m_ {c-1} + m_ {c}) end {выровнено}}}$

куда ${ Displaystyle OperatorName {hypg} (х; п, м, N)}$ - (одномерная, центральная) вероятность гипергеометрического распределения.

Приложения

Нецентральное гипергеометрическое распределение Фишера полезно для моделей смещения выборки или смещения выборки, где отдельные элементы выборки выбираются независимо друг от друга без конкуренции. Систематическую ошибку или вероятность можно оценить на основе экспериментального значения среднего. Использовать Нецентральное гипергеометрическое распределение Валлениуса вместо этого, если образцы отбираются один за другим с соревнованием.

Нецентральное гипергеометрическое распределение Фишера используется в основном для тестов в таблицы непредвиденных обстоятельств где желательно условное распределение для фиксированной прибыли. Это может быть полезно, например, для тестирования или измерения действия лекарства. См. McCullagh and Nelder (1989).

Доступное программное обеспечение

• ФишерГипергеометрическое Распределение в Mathematica.
• Реализация для Язык программирования R доступен как пакет с именем BiasedUrn. Включает одномерные и многомерные вероятностные массовые функции, функции распределения, квантили, случайная переменная производящие функции, среднее значение и дисперсия.
• В р упаковка MCMCpack включает одномерную функцию массы вероятности и производящую функцию случайной величины.
• Система SAS включает одномерную функцию массы вероятности и функцию распределения.
• Реализация в C ++ доступен из www.agner.org.
• Методы расчета описаны Liao and Rosen (2001) и Fog (2008).

Смотрите также

• Нецентральные гипергеометрические распределения
• Нецентральное гипергеометрическое распределение Валлениуса
• Гипергеометрическое распределение
• Модели урн
• Предвзятая выборка
• Предвзятость
• Таблица сопряженности
• Точный тест Фишера

Рекомендации

Breslow, N.E .; Дэй, Н. Э. (1980), Статистические методы исследования рака, Лион: Международное агентство по изучению рака.

Eisinga, R .; Пельцер, Б. (2011), «Аппроксимация седловой точки среднего и дисперсии расширенного гипергеометрического распределения» (PDF), Statistica Neerlandica, 65 (1), стр. 22–31, Дои:10.1111 / j.1467-9574.2010.00468.x.

Туман, А. (2007), Теория случайных чисел.

Фог, А. (2008), "Методы выборки для нецентральных гипергеометрических распределений Валлениуса и Фишера", Коммуникации в статике, моделировании и вычислениях, 37 (2), стр. 241–257, Дои:10.1080/03610910701790236, S2CID  14904723.

Johnson, N.L .; Кемп, А. В .; Коц, С. (2005), Одномерные дискретные распределения, Хобокен, Нью-Джерси: Wiley and Sons.

Левин Б. (1984), "Простые улучшения приближения Корнфилда к среднему нецентральной гипергеометрической случайной величины", Биометрика, 71 (3), стр. 630–632, Дои:10.1093 / biomet / 71.3.630.

Левин Б. (1990), "Коррекция седловой точки в анализе условного логистического правдоподобия", Биометрика, [Oxford University Press, Biometrika Trust], 77 (2), стр. 275–285, Дои:10.1093 / biomet / 77.2.275, JSTOR  2336805.

Ляо, Дж. (1992), "Алгоритм для среднего и дисперсии нецентрального гипергеометрического распределения", Биометрия, [Wiley, Международное биометрическое общество], 48 (3), стр. 889–892, Дои:10.2307/2532354, JSTOR  2532354.

Liao, J. G .; Розен, О. (2001), "Быстрые и стабильные алгоритмы для вычислений и выборки из нецентрального гипергеометрического распределения", Американский статистик, 55 (4), стр. 366–369, Дои:10.1198/000313001753272547, S2CID  121279235.

McCullagh, P .; Нелдер, Дж. А. (1989), Обобщенные линейные модели, 2-е изд., Лондон: Чепмен и Холл.