logo

数理統計学におけるピボットの定義 📂数理統計学

数理統計学におけるピボットの定義

定義 1

確率変数 Q(X;θ):=Q(X1,,Xn;θ)Q \left( \mathbf{X} ; \theta \right) := Q \left( X_{1} , \cdots , X_{n} ; \theta \right)確率分布が全てのパラメータ θ\theta に独立ならば、QQピボットpivot または ピボタル量pivotal Quantityという。

説明

当然だけどQQ統計量だ。

確率分布が全てのパラメータ θ\theta に独立だという話は、すなわちQ(X;θ)Q \left( \mathbf{X} ; \theta \right)累積分布関数 F(x;θ)F \left( \mathbf{x} ; \theta \right) が全てのθ\theta に対して同じだということだ。定義を読めば、どうしても独立するはずのθ\theta がなぜ関数に含まれているのか不思議に思うかもしれないけど、次の説明を見れば一発で理解できるはずだ。

ロケーション・スケールファミリ

ロケーション-スケールファミリの確率密度関数 f(x;μ,σ)f(x;\mu,\sigma) が与えられた場合、そのピボットは次の通りだ。 Q(X1,,Xn;μ,σ)=Xμσ Q \left( X_{1} , \cdots , X_{n} ; \mu, \sigma \right) = {{ \overline{X} - \mu } \over { \sigma }} この関数 QQ は明示的にμ\muσ\sigma を示しているが、その逆になるから、QQ の分布自体はμ\muσ\sigma に独立だ。

ピボティング

{μ0:1.96xμ0σ1.96} \left\{ \mu_{0} : -1.96 \le {{ \mathbf{x} - \mu_{0} } \over { \sigma }} \le 1.96 \right\} 例えば正規分布を仮定できる状況だと、信頼区間は上記のように示すこともできる。この文脈で、ピボットを使って C(x)={θ0:aQ(x;θ0)b} C \left( \mathbf{x} \right) = \left\{ \theta_{0} : a \le Q \left( \mathbf{x} ; \theta_{0} \right) \le b \right\} のように示すことを ピボティングという。


  1. Casella. (2001). Statistical Inference(2nd Edition): p427. ↩︎