6.5多参数指数族的检验
多参数指数族的检验 详细讲解与推导证明
一、背景与核心问题引入
在数理统计的假设检验中，单参数指数族的检验（单边/双边UMPT）仅能处理分布中只有一个未知参数的场景。但绝大多数常见分布（如正态分布\(N(\mu,\sigma^2)\)，均值\(\mu\)和方差\(\sigma^2\)均未知）是多参数分布族，此时会出现两类参数：
- 感兴趣参数（目标参数）：我们需要做假设检验的核心参数，记为\(\theta\)（一维）；
- 多余参数（讨厌参数）：分布中存在、未知但我们不直接关心的参数，记为\(\varphi=(\varphi_1,\dots,\varphi_k)^T\)（\(k\)维）。
多余参数的存在，使得经典的Neyman-Pearson引理和单参数UMPT（一致最优检验）结论直接失效——高维参数空间中，很难找到对所有多余参数都一致最优的检验。因此我们退而求其次，在无偏检验类中寻找最优检验，即UMPUT（一致最优无偏检验），而多参数指数族的结构，恰好为这类检验提供了可解的路径。
无偏检验的定义
对于检验问题\(H_0:\theta\in\Theta_0 \leftrightarrow H_1:\theta\in\Theta_1\)，若检验\(\phi(X)\)的功效函数\(\beta(\theta)=E_\theta[\phi(X)]\)满足：
- 水平约束：\(\forall \theta\in\Theta_0\)，\(\beta(\theta)\leq\alpha\)；
- 无偏性：\(\forall \theta\in\Theta_1\)，\(\beta(\theta)\geq\alpha\)（备择假设下的功效不低于检验水平，不会比随机猜测更差）。
则称\(\phi(X)\)是水平为\(\alpha\)的无偏检验。在所有无偏检验中，对任意\(\theta\in\Theta_1\)功效都达到最大的检验，即为UMPUT。
二、预备知识：多参数指数族的定义与核心性质
1. 多参数指数族的标准形式
设样本\(X=(X_1,\dots,X_n)^T\)，其概率密度（离散型为分布列）为：
其中：
- \(\theta\)：一维感兴趣参数，是假设检验的目标；
- \(\varphi=(\varphi_1,\dots,\varphi_k)^T\)：\(k\)维多余参数；
- \(U(x),T_1(x),\dots,T_k(x)\)：样本的充分统计量；
- \(h(x)\geq0\)：仅关于样本\(x\)的非负函数；
- \(b(\theta,\varphi)\)：对数配分函数，用于归一化密度，保证积分/求和为1。
根据因子分解定理，\((U,T)=(U(X),T_1(X),\dots,T_k(X))\)是参数\((\theta,\varphi)\)的充分统计量，因此我们只需基于充分统计量构造检验，不会丢失样本中的参数信息。
2. 充分统计量的分布推导
（1）\((U,T)\)的联合分布
对于指数族的充分统计量，其分布仍属于指数族。通过密度变换与归一化推导，可得\((U,T)\)的联合密度为：
其中\(h(u,t)\)仅与\(u,t\)有关，\(b(\theta,\varphi)\)与样本密度中的配分函数完全一致，满足归一化要求：
（2）\(U\)和\(T\)的边缘分布
对联合密度积分可得边缘分布：
- \(T\)的边缘密度（对\(u\)积分）：\[f(t;\theta,\varphi) = h_\theta(t) \exp\left\{ \sum_{i=1}^k \varphi_i t_i - b(\theta,\varphi) \right\}, \quad h_\theta(t)=\int h(u,t)e^{\theta u}du \]
- \(U\)的边缘密度（对\(t\)积分）：\[f(u;\theta,\varphi) = h_\varphi(u) \exp\left\{ \theta u - b(\theta,\varphi) \right\}, \quad h_\varphi(u)=\int h(u,t)\exp\left\{\sum\varphi_i t_i\right\}dt \]
可以看到，\(U\)和\(T\)的边缘分布仍包含多余参数\(\varphi\)，无法直接用于构造检验。
（3）核心性质：\(U|T\)的条件分布与多余参数无关
根据条件密度的定义\(f(u|t;\theta,\varphi)=\frac{f(u,t;\theta,\varphi)}{f(t;\theta,\varphi)}\)，将联合密度与\(T\)的边缘密度代入：
分子分母中含\(\varphi\)的项完全抵消，说明给定\(T=t\)时，\(U\)的条件分布与多余参数\(\varphi\)完全无关，仅依赖于感兴趣参数\(\theta\)。
将其改写为单参数指数族的标准形式，令\(b_t(\theta)=\log h_\theta(t)\)，\(h^*(u,t)=h(u,t)\)，则：
这一性质是整个多参数指数族检验的基石：条件分布退化为仅含\(\theta\)的单参数指数族，而单参数指数族的UMPT结论可以直接复用。
三、核心定理与详细证明
核心定理
设样本分布属于多参数指数族(1)，考虑关于感兴趣参数\(\theta\)的三类典型检验问题：
- 单边检验1：\(H_0:\theta \leq \theta_0 \leftrightarrow H_1:\theta > \theta_0\)
- 单边检验2：\(H_0:\theta \geq \theta_0 \leftrightarrow H_1:\theta < \theta_0\)
- 双边检验：\(H_0:\theta = \theta_0 \leftrightarrow H_1:\theta \neq \theta_0\)
则：
- 对给定的\(T=t\)，基于条件分布(3)可构造该单参数指数族检验问题的水平为\(\alpha\)的UMPT，记为\(\phi(u,t)\)；
- 该检验\(\phi(U,T)\)就是原多参数指数族检验问题的水平为\(\alpha\)的UMPUT。
详细证明（以单边检验1为例）
我们分5步完成证明，其余检验类型的证明逻辑完全一致。
步骤1：明确检验的约束条件
我们需要找到的检验\(\phi(U,T)\)需满足：
- 水平约束：\(\forall \theta\leq\theta_0\)，任意\(\varphi\)，\(E_{\theta,\varphi}[\phi(U,T)]\leq\alpha\)；
- 无偏性：\(\forall \theta>\theta_0\)，任意\(\varphi\)，\(E_{\theta,\varphi}[\phi(U,T)]\geq\alpha\)；
- 最优性：在所有满足上述条件的检验中，\(\forall \theta>\theta_0\)，任意\(\varphi\)，\(E_{\theta,\varphi}[\phi(U,T)]\)达到最大。
步骤2：全期望公式分解期望
对任意检验\(\phi(U,T)\)，其期望可通过全期望公式分解为条件期望的期望：
记条件功效\(\beta_\phi(\theta|t)=E\left[ \phi(U,T) \big| T=t \right] = \int \phi(u,t) f(u|t;\theta) du\)，则：
步骤3：构造条件分布的UMPT
给定\(T=t\)时，\(U|T=t\)是单参数指数族(3)，根据单参数指数族的UMPT结论，单边检验\(H_0:\theta\leq\theta_0 \leftrightarrow H_1:\theta>\theta_0\)的水平为\(\alpha\)的UMPT形式为：
其中临界值\(c(t)\)和随机化常数\(r(t)\)由水平条件确定：
该检验是条件分布下的UMPT，即对任意其他水平为\(\alpha\)的条件检验\(\phi'(u,t)\)，\(\forall \theta>\theta_0\)，所有\(t\)，都有\(\beta_\phi(\theta|t)\geq\beta_{\phi'}(\theta|t)\)。
步骤4：证明\(\phi(U,T)\)是原问题的无偏检验
-
水平约束验证：单参数指数族的功效函数\(\beta_\phi(\theta|t)\)是关于\(\theta\)的非降函数，因此\(\forall \theta\leq\theta_0\)，有\(\beta_\phi(\theta|t)\leq\beta_\phi(\theta_0|t)=\alpha\)。
因此：\[E_{\theta,\varphi}[\phi(U,T)] = \int \beta_\phi(\theta|t) f(t;\theta,\varphi) dt \leq \int \alpha \cdot f(t;\theta,\varphi) dt = \alpha \]满足水平约束。
-
无偏性验证：同理，\(\forall \theta>\theta_0\)，有\(\beta_\phi(\theta|t)\geq\beta_\phi(\theta_0|t)=\alpha\)，因此：
\[E_{\theta,\varphi}[\phi(U,T)] = \int \beta_\phi(\theta|t) f(t;\theta,\varphi) dt \geq \int \alpha \cdot f(t;\theta,\varphi) dt = \alpha \]满足无偏性要求。
步骤5：证明\(\phi(U,T)\)是一致最优无偏检验
任取原问题的一个水平为\(\alpha\)的无偏检验\(\phi'(U,T)\)，我们需要证明\(\forall \theta>\theta_0\)，任意\(\varphi\)，有\(E_{\theta,\varphi}[\phi(U,T)]\geq E_{\theta,\varphi}[\phi'(U,T)]\)。
-
无偏检验的边界性质：\(\phi'\)是无偏检验，因此在\(\theta=\theta_0\)处，对任意\(\varphi\)，有\(E_{\theta_0,\varphi}[\phi'(U,T)]=\alpha\)（无偏检验的功效函数在原假设与备择假设的边界上连续且等于\(\alpha\)）。
结合全期望公式，可得：\[\int \beta_{\phi'}(\theta_0|t) f(t;\theta_0,\varphi) dt = \alpha \]再结合指数族的完备性，可推出\(\beta_{\phi'}(\theta_0|t)=\alpha\)几乎处处成立，即\(\phi'(u,t)\)是条件分布下水平为\(\alpha\)的检验。
-
最优性验证：由于\(\phi(u,t)\)是条件分布下水平为\(\alpha\)的UMPT，因此\(\forall \theta>\theta_0\)，所有\(t\)，有\(\beta_\phi(\theta|t)\geq\beta_{\phi'}(\theta|t)\)。
因此：\[E_{\theta,\varphi}[\phi(U,T)] = \int \beta_\phi(\theta|t) f(t;\theta,\varphi) dt \geq \int \beta_{\phi'}(\theta|t) f(t;\theta,\varphi) dt = E_{\theta,\varphi}[\phi'(U,T)] \]
综上，\(\phi(U,T)\)是原问题的水平为\(\alpha\)的UMPUT。
其他检验类型的补充说明
- 单边检验2：\(H_0:\theta\geq\theta_0 \leftrightarrow H_1:\theta<\theta_0\)，检验形式为\(u<c(t)\)时拒绝\(H_0\)，证明逻辑与上述完全一致；
- 双边检验：\(H_0:\theta=\theta_0 \leftrightarrow H_1:\theta\neq\theta_0\)，条件分布的UMPT为双侧检验，即\(u<c_1(t)\)或\(u>c_2(t)\)时拒绝\(H_0\)，临界值由水平条件\(\alpha\)和无偏性的导数条件确定，同样可证明其为原问题的UMPUT。
四、经典应用：正态分布的t检验
设\(X_1,\dots,X_n \overset{iid}{\sim} N(\mu,\sigma^2)\)，\(\mu\)和\(\sigma^2\)均未知，检验\(H_0:\mu=\mu_0 \leftrightarrow H_1:\mu\neq\mu_0\)，这是最典型的多参数指数族检验问题。
-
指数族形式改写：n个样本的联合密度为
\[f(x;\mu,\sigma^2) = (2\pi\sigma^2)^{-n/2} \exp\left\{ \frac{\mu}{\sigma^2}\sum x_i - \frac{1}{2\sigma^2}\sum x_i^2 - \frac{n\mu^2}{2\sigma^2} \right\} \]对应多参数指数族标准形式：感兴趣参数\(\theta=\mu\)，多余参数\(\varphi=-1/(2\sigma^2)\)，充分统计量\(U=\sum X_i\)，\(T=\sum X_i^2\)。
-
条件分布与检验构造：给定\(T=t\)时，\(U\)的条件分布仅依赖\(\mu\)，与\(\sigma^2\)无关。我们熟知的t统计量
\[t = \frac{\bar{X}-\mu_0}{S/\sqrt{n}}, \quad S^2=\frac{1}{n-1}\sum(X_i-\bar{X})^2 \]恰好是\(U\)和\(T\)的函数，且服从自由度为\(n-1\)的t分布，与多余参数\(\sigma^2\)完全无关。
-
结论：双边t检验的拒绝域\(|t|>t_{\alpha/2}(n-1)\)，就是该问题水平为\(\alpha\)的UMPUT；单边t检验的拒绝域\(t>t_\alpha(n-1)\)（或\(t<-t_\alpha(n-1)\)），对应单边检验问题的UMPUT，完美契合我们的核心定理。
五、知识点归纳总结表
| 核心模块 | 详细内容 | 关键性质/结论 |
|---|---|---|
| 问题背景 | 处理带多余参数的多参数分布族的假设检验，解决单参数UMPT无法适用的场景 | 多余参数的存在导致高维参数空间中UMPT通常不存在，需在无偏检验类中寻找UMPUT |
| 多参数指数族定义 | \(f(x;\theta,\varphi) = h(x) \exp\left\{ \theta U(x) + \sum_{i=1}^k \varphi_i T_i(x) - b(\theta,\varphi) \right\}\) | \(\theta\)为一维感兴趣参数，\(\varphi\)为k维多余参数，\((U,T)\)是\((\theta,\varphi)\)的充分统计量 |
| 核心分布性质 | 1. \((U,T)\)的联合分布仍为指数族； 2. $U |
T\(的条件分布为单参数指数族，与多余参数\)\varphi$完全无关 |
| 核心定理 | 条件分布下关于\(\theta\)的UMPT，就是原多参数问题的UMPUT | 把多参数检验问题，转化为单参数指数族的检验问题，复用经典UMPT结论 |
| 三类典型检验的UMPUT形式 | 1. 单边检验\(H_0:\theta\leq\theta_0 \leftrightarrow H_1:\theta>\theta_0\)：\(u>c(t)\)时拒绝\(H_0\)； 2. 单边检验\(H_0:\theta\geq\theta_0 \leftrightarrow H_1:\theta<\theta_0\)：\(u<c(t)\)时拒绝\(H_0\)； 3. 双边检验\(H_0:\theta=\theta_0 \leftrightarrow H_1:\theta\neq\theta_0\)：\(u<c_1(t)\)或\(u>c_2(t)\)时拒绝\(H_0\) |
临界值\(c(t),c_1(t),c_2(t)\)由条件分布下的水平\(\alpha\)确定，检验统计量与多余参数无关 |
| 经典应用 | 正态分布\(N(\mu,\sigma^2)\)，\(\sigma^2\)未知时均值的t检验 | t检验是该问题的UMPUT，是多参数指数族检验最典型的落地场景 |
| 理论价值 | 解决了带多余参数的指数族分布的假设检验问题，为常见分布（正态、二项、泊松等）的参数检验提供了理论支撑 | 证明了经典t检验、卡方检验、F检验的最优性，是数理统计假设检验体系的核心组成部分 |
带有多余参数时单参数检验的UMPUT 完整讲解与严格证明
一、核心逻辑与问题对应关系
本节的核心目标是解决带多余参数的多参数指数族单边检验的最优检验构造问题，核心思路是：将带多余参数的高维检验问题，降维为「给定充分统计量下的单参数条件分布检验问题」，并严格证明：条件分布的UMPT（一致最优检验），就是原多参数问题的UMPUT（一致最优无偏检验）。
我们先明确两类检验问题的严格定义：
| 检验问题编号 | 分布基础 | 假设设定 | 核心特征 |
|---|---|---|---|
| (1)-(i) | 多参数指数族\(f(x;\theta,\varphi)\)，含感兴趣参数\(\theta\)、多余参数\(\varphi\) | \(H_0:\theta\leq\theta_0,\varphi\)任意 \(\leftrightarrow H_1:\theta>\theta_0,\varphi\)任意 | 带多余参数，无全局UMPT，需在无偏检验类中找最优 |
| (2)-(i) | 给定\(T=t\)时\(U\)的条件分布$f(u | t;\theta)\(，仅含\)\theta\(，与\)\varphi$无关 | \(H_0:\theta\leq\theta_0 \leftrightarrow H_1:\theta>\theta_0\) |
对称地，(1)-(ii)与(2)-(ii)为反向单边检验，逻辑完全一致。
二、引理6.5.1 详解与完整证明
引理内容
检验问题(2)-(i)在条件分布下的UMPT为：
其中临界值\(k(t)\)、随机化常数\(\gamma(t)\)由\(E_{\theta_0}\left[\phi^*(U,T)\big|T\right] = \alpha\)确定；该检验同时是简单原假设检验\((2)-(i)'\)：\(H_0:\theta=\theta_0 \leftrightarrow H_1:\theta>\theta_0\)的UMPT。
反向单边检验(2)-(ii)的UMPT为：
其中\(k(t),\gamma(t)\)由\(E_{\theta_0}\left[\phi'(U,T)\big|T\right] = \alpha\)确定。
完整证明
-
条件分布的核心性质
给定\(T=t\)时，\(U\)的条件分布为单参数指数族：\[f(u|t;\theta) = h^*(u,t) \exp\left\{\theta u - b_t(\theta)\right\} \]对任意\(\theta_2>\theta_1\)，似然比为：
\[\frac{f(u|t;\theta_2)}{f(u|t;\theta_1)} = \exp\left\{ (\theta_2-\theta_1)u - (b_t(\theta_2)-b_t(\theta_1)) \right\} \]由于\(\theta_2-\theta_1>0\)，似然比随\(u\)严格递增，即该分布族关于\(U\)具有单调似然比（MLR）性质。
-
UMPT的存在性与形式推导
根据单参数指数族单边检验UMPT存在性定理：具有单调似然比的分布族，单边检验\(H_0:\theta\leq\theta_0 \leftrightarrow H_1:\theta>\theta_0\)的水平为α的UMPT，必为单边拒绝域形式，即(6.5.4)式。 -
临界值的确定
单参数指数族的功效函数是关于\(\theta\)的非降函数，在原假设边界\(\theta=\theta_0\)处功效达到最大值。因此要求检验的条件水平恰好为α，即：\[E_{\theta_0}\left[\phi^*(U,T)\big|T=t\right] = P_{\theta_0}(U>k(t)|T=t) + \gamma(t)P_{\theta_0}(U=k(t)|T=t) = \alpha \]对任意给定的\(t\)，可通过上式解出唯一的\(k(t)\)和\(\gamma(t)\)。
-
简单原假设的补充证明
对简单原假设\((2)-(i)'\)，根据Neyman-Pearson引理，单调似然比分布族的单边检验，同样是简单原假设对单边备择的UMPT，因此\(\phi^*\)也满足该场景的最优性。
反向检验(2)-(ii)的证明逻辑完全对称，仅需利用似然比的单调性，将拒绝域反转为\(U\)足够小的区域即可。
三、引理6.5.2 详解与完整证明
引理内容
设检验\(\tilde{\phi}(u,t)\)满足\(E_{(\theta_0,\varphi)}\left[\tilde{\phi}(U,T)\right] = \alpha, \forall \varphi\)，则必有：
特别地，若\(\tilde{\phi}(u,t)\)是(1)-(i)的无偏检验，则(6.5.8)式成立。
该引理是连接「原问题全局检验」与「条件分布检验」的核心桥梁，其核心工具是指数族的完备性。
分步严格证明
-
明确已知与目标
已知：对任意多余参数\(\varphi\)，检验在原假设边界\(\theta=\theta_0\)处的全局功效恒为α；
要证：对任意\(\varphi\)，检验的条件功效几乎处处恒为α。 -
构造辅助函数
定义辅助函数：\[g(t) = E_{(\theta_0,\varphi)}\left[\tilde{\phi}(U,T)\big|T=t\right] - \alpha \]关键性质：\(U|T\)的条件分布与\(\varphi\)无关，因此\(g(t)\)是仅关于\(t\)的函数，与\(\varphi\)完全无关。
-
计算辅助函数的期望
根据全期望公式，对任意\(\varphi\)，有：\[\begin{align*} E_{(\theta_0,\varphi)}\left[g(T)\right] &= E_{(\theta_0,\varphi)}\left[ E_{\theta_0}\left[\tilde{\phi}(U,T)\big|T\right] - \alpha \right] \\ &= E_{(\theta_0,\varphi)}\left[\tilde{\phi}(U,T)\right] - \alpha \\ &= \alpha - \alpha = 0 \end{align*} \]即\(E_{(\theta_0,\varphi)}\left[g(T)\right] = 0\)对所有\(\varphi\)成立。
-
利用完备性完成证明
当\(\theta=\theta_0\)固定时，\(T\)的边缘分布为：\[f(t;\theta_0,\varphi) = h_{\theta_0}(t) \exp\left\{ \sum_{i=1}^k \varphi_i t_i - b(\theta_0,\varphi) \right\} \]这是关于\(\varphi\)的正则指数族，参数空间包含内点，因此\(T\)是关于\(\varphi\)的完备充分统计量。
完备性的定义为：若对任意可测函数\(g(t)\)，\(E_\varphi[g(T)]=0\)对所有\(\varphi\)成立，则必有\(g(t)=0\)几乎处处成立。
结合我们得到的\(E_{(\theta_0,\varphi)}\left[g(T)\right] = 0, \forall \varphi\)，立即推出\(g(t)=0\)几乎处处成立，即：
\[E_{(\theta_0,\varphi)}\left[\tilde{\phi}(U,T)\big|T=t\right] = \alpha \quad \text{几乎处处成立} \](6.5.8)式得证。
-
无偏检验的特殊情形
若\(\tilde{\phi}\)是(1)-(i)的水平为α的无偏检验，根据无偏性定义：- 原假设下（\(\theta\leq\theta_0\)）：\(E_{(\theta,\varphi)}[\tilde{\phi}]\leq\alpha\)；
- 备择假设下（\(\theta>\theta_0\)）：\(E_{(\theta,\varphi)}[\tilde{\phi}]\geq\alpha\)。
指数族的功效函数关于\(\theta\)连续，因此在边界\(\theta=\theta_0\)处必有\(E_{(\theta_0,\varphi)}[\tilde{\phi}] = \alpha, \forall \varphi\)，满足引理的前提条件，因此(6.5.8)式对所有无偏检验成立。
四、核心定理：\(\phi^*\)是原问题(1)-(i)的UMPUT 完整证明
我们要证明：引理6.5.1中的条件检验\(\phi^*(u,t)\)，是原检验问题(1)-(i)的水平为α的一致最优无偏检验。证明分为两大核心步骤。
步骤1：证明\(\phi^*\)是原问题水平为α的无偏检验
-
水平约束验证
单参数指数族单边检验的功效函数\(\beta(\theta|t)=E_\theta\left[\phi^*(U,T)\big|T=t\right]\)是关于\(\theta\)的非降函数。
因此对任意\(\theta\leq\theta_0\)，有\(\beta(\theta|t)\leq\beta(\theta_0|t)=\alpha\)。
根据全期望公式，对任意\((\theta,\varphi)\in\Theta_0\)（\(\theta\leq\theta_0\)，任意\(\varphi\)）：\[E_{(\theta,\varphi)}[\phi^*(U,T)] = E_{(\theta,\varphi)}\left[ \beta(\theta|T) \right] \leq E_{(\theta,\varphi)}[\alpha] = \alpha \]满足水平约束。
-
无偏性验证
对任意\(\theta>\theta_0\)，有\(\beta(\theta|t)\geq\beta(\theta_0|t)=\alpha\)，因此对任意\((\theta,\varphi)\in\Theta_1\)：\[E_{(\theta,\varphi)}[\phi^*(U,T)] = E_{(\theta,\varphi)}\left[ \beta(\theta|T) \right] \geq E_{(\theta,\varphi)}[\alpha] = \alpha \]满足无偏性要求。
综上，\(\phi^*\)是原问题(1)-(i)的水平为α的无偏检验。
步骤2：证明\(\phi^*\)是一致最优的
任取原问题的一个水平为α的无偏检验\(\tilde{\phi}\)，我们要证明：对所有\(\theta>\theta_0\)、任意\(\varphi\)，有\(E_{(\theta,\varphi)}[\phi^*] \geq E_{(\theta,\varphi)}[\tilde{\phi}]\)。
- 根据引理6.5.2，无偏检验\(\tilde{\phi}\)满足\(E_{\theta_0}\left[\tilde{\phi}(U,T)\big|T=t\right] = \alpha\)，即\(\tilde{\phi}\)是条件检验问题(2)-(i)的一个水平为α的检验。
- \(\phi^*\)是条件检验问题(2)-(i)的UMPT，因此对任意\(\theta>\theta_0\)、任意\(t\)，有：\[E_\theta\left[\phi^*(U,T)\big|T=t\right] \geq E_\theta\left[\tilde{\phi}(U,T)\big|T=t\right] \]
- 对不等式两边关于\(T\)的分布取期望，根据全期望公式：\[E_{(\theta,\varphi)}\left[ E_\theta\left[\phi^*\big|T\right] \right] \geq E_{(\theta,\varphi)}\left[ E_\theta\left[\tilde{\phi}\big|T\right] \right] \]即\(E_{(\theta,\varphi)}[\phi^*(U,T)] \geq E_{(\theta,\varphi)}[\tilde{\phi}(U,T)]\)，对所有\(\theta>\theta_0\)、任意\(\varphi\)成立。
最终结论
\(\phi^*(u,t)\)是原检验问题(1)-(i)的水平为α的一致最优无偏检验（UMPUT）。
对称地，\(\phi'(u,t)\)是反向单边检验(1)-(ii)的水平为α的UMPUT，证明逻辑完全一致。
五、知识点归纳总结表
| 核心模块 | 详细内容 | 关键结论与核心性质 |
|---|---|---|
| 问题定位 | 带多余参数的多参数指数族单边检验，解决单参数UMPT无法适用的场景 | 多余参数导致全局UMPT不存在，需在无偏检验类中寻找UMPUT；通过条件分布实现降维求解 |
| 引理6.5.1 | 单参数条件分布的UMPT形式与构造 | 1. 条件分布为单参数指数族，具有单调似然比； 2. 单边检验的UMPT为单边拒绝域形式，临界值由条件水平α确定； 3. 同时适用于简单原假设的单边检验 |
| 引理6.5.2 | 全局水平与条件水平的等价性 | 1. 核心工具：指数族的完备性，\(T\)是关于多余参数\(\varphi\)的完备充分统计量； 2. 原问题检验在边界\(\theta=\theta_0\)处的全局功效为α，等价于条件功效几乎处处为α； 3. 所有无偏检验均满足该条件，是连接原问题与条件问题的核心桥梁 |
| 核心定理 | 条件UMPT是原问题的UMPUT | 1. 条件检验\(\phi^*\)满足原问题的水平约束与无偏性； 2. 对任意其他无偏检验，\(\phi^*\)在备择假设下的功效一致最大； 3. 反向单边检验结论完全对称 |
| 理论价值 | 多参数指数族检验的理论基础 | 1. 给出了带多余参数的指数族检验的UMPUT通用构造方法； 2. 证明了经典t检验、卡方检验等常用参数检验的最优性； 3. 实现了多参数检验到单参数检验的降维，复用了经典UMPT结论 |
| 关键工具 | 证明过程的核心支撑 | 指数族的充分性与完备性、单调似然比分布族的UMPT定理、全期望公式、无偏检验的边界连续性 |
定理6.5.1 深度讲解与完整严谨证明
一、定理的核心定位与前置知识铺垫
1. 定理的核心价值
本定理是多参数指数族假设检验的核心结论，彻底解决了「带多余参数的单边参数检验」的最优检验构造问题。它搭建了「单参数条件分布的UMPT（一致最优检验）」与「多参数原问题的UMPUT（一致最优无偏检验）」之间的桥梁，证明了：条件分布下的最优检验，就是原多参数问题的一致最优无偏检验。
我们常用的正态分布方差未知时的均值t检验、泊松分布的均值检验、二项分布的比例检验等经典参数检验，其最优性均由本定理给出理论支撑。
2. 核心定义与前置结论回顾
| 概念 | 严格定义 | 核心性质 |
|---|---|---|
| 原检验问题(1)-(i) | \(H_0:\theta\leq\theta_0,\varphi\)任意 \(\longleftrightarrow H_1:\theta>\theta_0,\varphi\)任意 \(\theta\)为一维感兴趣参数，\(\varphi\)为\(k\)维多余参数 |
带多余参数，高维参数空间中不存在全局UMPT，需在无偏检验类中寻找最优检验 |
| UMPUT | 满足两个条件： 1. 是水平为\(\alpha\)的无偏检验； 2. 在所有水平为\(\alpha\)的无偏检验中，对备择假设的所有参数点，功效函数一致最大 |
带多余参数检验的最优性标准，是全局UMPT不存在时的合理最优准则 |
| 无偏检验 | 水平为\(\alpha\)的检验\(\phi\)满足： 1. 原假设下：\(\forall (\theta,\varphi)\in\Theta_0\)，\(E_{(\theta,\varphi)}[\phi]\leq\alpha\)； 2. 备择下：\(\forall (\theta,\varphi)\in\Theta_1\)，\(E_{(\theta,\varphi)}[\phi]\geq\alpha\) |
保证检验在备择假设下的表现不劣于随机猜测，功效函数在原假设与备择假设的边界\(\theta=\theta_0\)处连续且等于\(\alpha\) |
| 引理6.5.1 | 条件分布$U | T$下，检验(2)-(i) \(H_0:\theta\leq\theta_0\longleftrightarrow H_1:\theta>\theta_0\)的UMPT为： $$\phi^(u,t)=\begin{cases}1, & U>k(t) \ \gamma(t), & U=k(t) \ 0, & U<k(t)\end{cases}$$ 临界值由$E_{\theta_0}[\phi^ |
| 引理6.5.2 | 若\(\tilde{\phi}\)是原问题(1)-(i)的水平为\(\alpha\)的无偏检验，则必有$E_{(\theta_0,\varphi)}[\tilde | T]=\alpha,\forall\varphi$ |
3. 定理的完整表述
对于多参数指数族分布：
引理6.5.1中由(6.5.4)式确定的检验\(\phi^*(u,t)\)，是假设检验问题(1)-(i)的水平为\(\alpha\)的UMPUT；由(6.5.5)式确定的检验\(\phi'(u,t)\)，是假设检验问题(1)-(ii)的水平为\(\alpha\)的UMPUT。
二、定理的分步详细证明
我们仅针对检验问题(1)-(i)完成完整证明，(1)-(ii)的反向单边检验证明逻辑完全对称，不再重复。
要证明\(\phi^*(u,t)\)是(1)-(i)的UMPUT，需完成两个核心命题的证明：
- 命题(a)：\(\phi^*(u,t)\)是原问题(1)-(i)的水平为\(\alpha\)的无偏检验；
- 命题(b)：\(\phi^*(u,t)\)是一致最优的，即对原问题的任意一个水平为\(\alpha\)的无偏检验\(\tilde{\phi}\)，对所有\(\theta>\theta_0\)、任意\(\varphi\)，都有\(E_{(\theta,\varphi)}[\phi^*] \geq E_{(\theta,\varphi)}[\tilde{\phi}]\)。
（一）命题(a)的详细证明：\(\phi^*\)是水平为\(\alpha\)的无偏检验
步骤1：明确条件功效的核心性质
\(\phi^*(u,t)\)是条件分布\(U|T\)下检验(2)-(i)的UMPT，而\(U|T\)的分布是单参数指数族，满足单调似然比性质。根据单参数指数族UMPT的核心定理（定理6.3.1、6.3.2），单边检验UMPT的功效函数具有严格非降性：
单参数指数族单边检验的UMPT，其功效函数\(\beta(\theta)=E_\theta[\phi]\)是关于\(\theta\)的严格非降函数，且在原假设边界\(\theta=\theta_0\)处恰好等于检验水平\(\alpha\)。
将该性质应用到条件功效\(\beta_\phi(\theta|t)=E_\theta[\phi^*(U,T)|T=t]\)，可得对任意\(t\)，条件功效满足：
关键说明：该条件功效仅与\(\theta\)有关，与多余参数\(\varphi\)完全无关——因为\(U|T\)的条件分布中不含\(\varphi\)，这是整个证明的核心前提。
步骤2：通过全期望公式推导全局功效
根据概率论的全期望公式：对任意随机变量\(X,Y\)，有\(E[X] = E\left[ E[X|Y] \right]\)，该公式对任意联合分布均成立，与参数\(\varphi\)无关。
我们对条件功效取关于参数\((\theta,\varphi)\)的全局期望，可得：
步骤3：利用期望的保序性完成无偏性验证
期望具有保序性：若随机变量\(X\leq Y\)几乎处处成立，则必有\(E[X]\leq E[Y]\)；反之\(X\geq Y\)时，\(E[X]\geq E[Y]\)。
结合步骤1中条件功效的分段性质，对任意\(\varphi\)，全局功效满足：
- 水平约束验证：当\(\theta < \theta_0\)时，\(E_\theta[\phi^*|T]\leq\alpha\)几乎处处成立，因此：\[E_{(\theta,\varphi)}[\phi^*] \leq E_{(\theta,\varphi)}[\alpha] = \alpha \]满足原假设下检验水平不超过\(\alpha\)的要求。
- 边界性质验证：当\(\theta = \theta_0\)时，\(E_{\theta_0}[\phi^*|T]=\alpha\)，因此：\[E_{(\theta_0,\varphi)}[\phi^*] = \alpha \]功效在原假设与备择假设的边界处恰好等于检验水平。
- 无偏性验证：当\(\theta > \theta_0\)时，\(E_\theta[\phi^*|T]\geq\alpha\)几乎处处成立，因此：\[E_{(\theta,\varphi)}[\phi^*] \geq E_{(\theta,\varphi)}[\alpha] = \alpha \]满足备择假设下功效不低于\(\alpha\)的无偏性要求。
综上，\(\phi^*(u,t)\)是原检验问题(1)-(i)的水平为\(\alpha\)的无偏检验，命题(a)得证。
（二）命题(b)的详细证明：\(\phi^*\)是一致最优的
步骤1：明确比较基准：任意无偏检验\(\tilde{\phi}\)
设\(\tilde{\phi}(u,t)\)是原问题(1)-(i)的任意一个水平为\(\alpha\)的无偏检验，我们的目标是证明：对所有\(\theta>\theta_0\)、任意\(\varphi\)，都有\(E_{(\theta,\varphi)}[\phi^*] \geq E_{(\theta,\varphi)}[\tilde{\phi}]\)。
步骤2：利用引理6.5.2建立条件水平约束
根据引理6.5.2，无偏检验\(\tilde{\phi}\)满足：
同时，\(\phi^*\)的临界值由\(E_{\theta_0}[\phi^*|T]=\alpha\)确定，因此两者在\(\theta=\theta_0\)处的条件功效均为\(\alpha\)。
步骤3：将\(\tilde{\phi}\)转化为条件检验问题的可行解
我们考虑简单原假设检验问题(2)-(i)'：\(H_0:\theta=\theta_0 \longleftrightarrow H_1:\theta>\theta_0\)，该检验的水平为\(\alpha\)的定义是：在\(H_0\)下，检验的条件功效\(E_{\theta_0}[\phi|T]\leq\alpha\)。
对于无偏检验\(\tilde{\phi}\)，其条件功效\(E_{\theta_0}[\tilde{\phi}|T]=\alpha\)，完全满足水平约束，因此\(\tilde{\phi}\)是条件检验问题(2)-(i)'的一个水平为\(\alpha\)的可行检验。
步骤4：利用UMPT的最优性建立条件功效不等式
根据引理6.5.1，\(\phi^*\)是条件检验问题(2)-(i)'的UMPT，即：在所有水平为\(\alpha\)的检验中，\(\phi^*\)的条件功效在备择假设\(\theta>\theta_0\)处一致最大。
因此，对任意\(\theta>\theta_0\)、任意\(t\)，都有：
关键说明：该不等式与多余参数\(\varphi\)完全无关，因为条件分布\(U|T\)与\(\varphi\)无关。
步骤5：通过全期望公式推导全局功效的最优性
对上述不等式两边，取关于参数\((\theta,\varphi)\)的全局期望，再次利用全期望公式和期望的保序性，可得：
该不等式对所有\(\theta>\theta_0\)、任意\(\varphi\)都成立，说明在备择假设的所有参数点上，\(\phi^*\)的功效都大于等于任意其他无偏检验的功效，即\(\phi^*\)是一致最优的。命题(b)得证。
（三）最终结论
综合命题(a)和命题(b)，\(\phi^*(u,t)\)是原检验问题(1)-(i)的水平为\(\alpha\)的一致最优无偏检验（UMPUT）。
同理可证，反向单边检验(1)-(ii)的UMPUT为引理6.5.1中的\(\phi'(u,t)\)，定理6.5.1得证。
三、定理的核心应用场景
本定理最经典的应用是正态分布方差未知时的均值t检验：
设\(X_1,\dots,X_n \overset{iid}{\sim} N(\mu,\sigma^2)\)，\(\mu\)和\(\sigma^2\)均未知，检验\(H_0:\mu\leq\mu_0 \longleftrightarrow H_1:\mu>\mu_0\)。
- 将正态分布改写为多参数指数族形式，感兴趣参数\(\theta=\mu\)，多余参数\(\varphi=-1/(2\sigma^2)\)，充分统计量\(U=\sum X_i\)，\(T=\sum X_i^2\)；
- 根据本定理，构造条件分布的UMPT，最终得到的检验统计量为t统计量\(t=\frac{\bar{X}-\mu_0}{S/\sqrt{n}}\)，拒绝域为\(t>t_\alpha(n-1)\)；
- 本定理严格证明了：该单边t检验是该问题的水平为\(\alpha\)的UMPUT，为经典t检验的最优性提供了理论支撑。
四、知识点完整归纳总结表
| 模块分类 | 详细内容 | 核心结论与关键原理 |
|---|---|---|
| 定理定位 | 多参数指数族单边检验的核心定理，解决带多余参数的最优检验构造问题 | 实现了「多参数检验问题」到「单参数条件分布检验问题」的降维，给出了UMPUT的通用构造方法 |
| 证明核心目标 | 证明\(\phi^*\)是原问题的UMPUT，需完成两个核心命题： 1. \(\phi^*\)是水平为\(\alpha\)的无偏检验； 2. \(\phi^*\)在所有无偏检验中一致最优 |
UMPUT的定义是「无偏性+一致最优性」，两个命题缺一不可 |
| 命题(a)证明核心 | 1. 单参数指数族UMPT的功效函数非降性，得到条件功效的分段性质； 2. 全期望公式连接条件功效与全局功效； 3. 期望的保序性验证水平约束与无偏性 |
关键支撑：单参数指数族的性质、全期望公式、期望的保序性 |
| 命题(b)证明核心 | 1. 引理6.5.2给出无偏检验的条件水平约束； 2. 将全局无偏检验转化为条件检验问题的可行解； 3. 利用条件UMPT的最优性建立条件功效不等式； 4. 全期望公式推导全局功效的最优性 |
关键支撑：指数族的完备性、UMPT的最优性定义、全期望公式 |
| 关键前提 | 1. 多参数指数族的结构； 2. $U |
T\(的条件分布与多余参数\)\varphi$无关； 3. 条件分布为单参数指数族，具有单调似然比 |
| 理论价值 | 1. 严格证明了带多余参数的指数族单边检验UMPUT的存在性与构造方法； 2. 为t检验、卡方检验、F检验等经典参数检验的最优性提供了理论依据； 3. 建立了条件检验与全局最优检验的通用联系框架 |
是数理统计参数检验体系的核心组成部分，连接了单参数检验与多参数检验的理论体系 |
| 反向检验拓展 | 检验问题(1)-(ii) \(H_0:\theta\geq\theta_0\longleftrightarrow H_1:\theta<\theta_0\)的UMPUT为\(\phi'(u,t)\)，拒绝域为\(U<k(t)\) | 证明逻辑与正向检验完全对称，仅需反转似然比的单调性与拒绝域方向 |
多参数指数族双边检验的UMPUT（定理6.5.2）深度讲解与完整证明）深度讲解与完整证明
一、背景与核心问题引入
1. 前置知识回顾
我们已经建立了多参数指数族检验的核心分析框架，先回顾关键基础：
- 多参数指数族标准形式：\(f(x;\theta,\varphi) = h(x) \exp\left\{ \theta U(x) + \sum_{i=1}^k \varphi_i T_i(x) - b(\theta,\varphi) \right\}\)，其中\(\theta\)是一维感兴趣参数（检验目标），\(\varphi=(\varphi_1,\dots,\varphi_k)^T\)是k维多余参数（未知但不直接关注）；
- 核心基石性质：给定充分统计量\(T=t\)时，\(U\)的条件分布是仅含\(\theta\)的单参数指数族，与多余参数\(\varphi\)完全无关；
- 单边检验的核心思路：将带多余参数的多参数检验问题，降维为条件分布的单参数检验问题，证明条件分布的UMPT（一致最优检验）就是原问题的UMPUT（一致最优无偏检验）。
2. 三类双边检验问题的定义
带多余参数\(\varphi\)时，我们需要处理三类覆盖绝大多数实际场景的双边假设检验：
| 检验编号 | 原假设\(H_0\) | 备择假设\(H_1\) | 核心应用场景 |
|---|---|---|---|
| (1)-(iii) | \(\theta \leq \theta_1\) 或 \(\theta \geq \theta_2\)，\(\forall \varphi\) | \(\theta_1 < \theta < \theta_2\)，\(\forall \varphi\) | 等价性检验（如药物生物等效性试验） |
| (1)-(iv) | \(\theta_1 \leq \theta \leq \theta_2\)，\(\forall \varphi\) | \(\theta < \theta_1\) 或 \(\theta > \theta_2\)，\(\forall \varphi\) | 区间合规性检验（如工业质量控制） |
| (1)-(v) | \(\theta = \theta_0\)，\(\forall \varphi\) | \(\theta \neq \theta_0\)，\(\forall \varphi\) | 参数显著性检验（如正态均值双侧t检验） |
其中(1)-(v)是最常用的点原假设双边检验，也是本次证明的核心。
二、定理6.5.2 完整内容与核心解读
定理完整表述
对于多参数指数族分布(6.5.1)，三类双边检验的UMPUT构造如下：
-
检验(1)-(iii)的UMPUT
检验函数形式（中间拒绝、两边接受）：\[\phi_1(u,t) = \begin{cases} 1, & k_1(t) < U(x) < k_2(t) \\ \gamma_{1i}(t), & U(x) = k_i(t) \ (i=1,2) \\ 0, & U(x) < k_1(t) \text{ 或 } U(x) > k_2(t) \end{cases} \tag{6.5.9} \]临界值确定条件：\(E_{\theta_i}[\phi_1(U,T)|T] = \alpha \ (i=1,2)\)，即原假设两个边界点的条件功效均等于检验水平\(\alpha\)。
-
检验(1)-(iv)和(1)-(v)的UMPUT
检验函数形式（两边拒绝、中间接受，符合双边检验的直观认知）：\[\phi_2(u,t) = \begin{cases} 1, & U(x) < k_1(t) \text{ 或 } U(x) > k_2(t) \\ \gamma_{2i}(t), & U(x) = k_i(t) \ (i=1,2) \\ 0, & k_1(t) < U(x) < k_2(t) \end{cases} \tag{6.5.10} \]临界值确定条件分两种场景：
- 检验(1)-(iv)：由\(E_{\theta_i}[\phi_2(U,T)|T] = \alpha \ (i=1,2)\)确定，两个边界点的条件功效等于\(\alpha\)；
- 检验(1)-(v)（点原假设双边检验）：由两个独立方程联立确定：
- 水平约束条件：\(E_{\theta_0}[\phi_2(U,T)|T] = \alpha\) \tag
- 无偏性导数条件：\(E_{\theta_0}\left[ U \cdot \phi_2(U,T) \big| T \right] = \alpha E_{\theta_0}[U|T]\) \tag
核心解读
- 双边检验需要两个条件的本质原因：检验有两个未知临界值\(k_1(t)\)和\(k_2(t)\)，需要两个独立方程求解；其中第二个方程来自无偏检验的核心性质——功效函数在原假设点\(\theta_0\)处取最小值，对\(\theta\)的导数为0。
- 临界值是\(T\)的函数：与单参数检验的固定临界值不同，带多余参数的检验临界值依赖于多余参数的充分统计量\(T\)，通过条件分布消除多余参数的影响。
三、定理的完整严谨证明
我们重点证明最核心、最常用的检验(1)-(v)的UMPUT结论，检验(1)-(iii)(iv)的证明逻辑与单边检验定理6.5.1完全一致，仅需替换单参数双边检验的结论，此处从略。
证明的整体思路
与单边检验一致，分为两大核心步骤：
- 证明\(\phi_2(u,t)\)是原问题(1)-(v)的水平为\(\alpha\)的无偏检验；
- 证明\(\phi_2(u,t)\)是一致最优的：对原问题的任意一个水平为\(\alpha\)的无偏检验\(\tilde{\phi}(u,t)\)，对所有\(\theta \neq \theta_0\)、任意\(\varphi\)，都有\(E_{(\theta,\varphi)}[\phi_2] \geq E_{(\theta,\varphi)}[\tilde{\phi}]\)。
前置预备：单参数双边检验的UMPUT结论（定理6.4.4）
对于单参数指数族\(f(u|t;\theta) = h^*(u,t)\exp\left\{\theta u - b_t(\theta)\right\}\)，检验问题\(H_0:\theta=\theta_0 \leftrightarrow H_1:\theta \neq \theta_0\)的水平为\(\alpha\)的UMPUT，是形如(6.5.10)的双侧检验，且满足(6.5.11)和(6.5.12)两个条件。该检验的功效函数在\(\theta=\theta_0\)处取最小值\(\alpha\)，且对任意其他满足这两个条件的检验，该检验的功效在\(\theta \neq \theta_0\)处一致最大。
步骤1：证明\(\phi_2\)是原问题的水平为\(\alpha\)的无偏检验
- 由单参数双边检验的结论，\(\phi_2\)是条件分布下检验(2)-(v)的UMPUT，因此满足：
- 原假设下：\(E_{\theta_0}[\phi_2(U,T)|T] = \alpha\)（水平条件）；
- 备择假设下：\(E_{\theta}[\phi_2(U,T)|T] \geq \alpha\)，对所有\(\theta \neq \theta_0\)成立（无偏性）。
- 根据全期望公式，对任意参数\((\theta,\varphi)\)，检验的全局功效为：\[E_{(\theta,\varphi)}[\phi_2(U,T)] = E_{(\theta,\varphi)}\left[ E_{\theta}[\phi_2(U,T)|T] \right] \]关键性质：条件期望\(E_{\theta}[\phi_2|T]\)与多余参数\(\varphi\)完全无关，仅由\(\theta\)和\(T\)决定。
- 代入条件功效的性质验证无偏性：
- 当\(\theta=\theta_0\)时：\(E_{(\theta_0,\varphi)}[\phi_2] = E_{(\theta_0,\varphi)}[\alpha] = \alpha\)，满足水平约束；
- 当\(\theta \neq \theta_0\)时：\(E_{(\theta,\varphi)}[\phi_2] = E_{(\theta,\varphi)}\left[ E_{\theta}[\phi_2|T] \right] \geq E_{(\theta,\varphi)}[\alpha] = \alpha\)，满足无偏性要求。
因此，\(\phi_2(u,t)\)是原检验问题(1)-(v)的水平为\(\alpha\)的无偏检验。
步骤2：证明\(\phi_2\)是一致最优的
设\(\tilde{\phi}(u,t)\)是原问题(1)-(v)的任意一个水平为\(\alpha\)的无偏检验，我们需要证明：对所有\(\theta \neq \theta_0\)、任意\(\varphi\)，有\(E_{(\theta,\varphi)}[\phi_2] \geq E_{(\theta,\varphi)}[\tilde{\phi}]\)。
我们分三步完成证明：
(a) 证明任意无偏检验\(\tilde{\phi}\)满足水平条件(6.5.11)
根据无偏检验的定义，\(\tilde{\phi}\)在原假设点\(\theta=\theta_0\)处的全局功效等于\(\alpha\)，且对任意\(\varphi\)成立：
这正是引理6.5.2的前提条件，根据引理6.5.2（利用\(T\)关于\(\varphi\)的完备性），立即得到：
即\(\tilde{\phi}\)满足条件(6.5.11)。
(b) 证明任意无偏检验\(\tilde{\phi}\)满足导数条件(6.5.12)
这一步是双边检验证明的核心，我们需要结合无偏检验的功效函数性质、正则指数族的求导法则和完备性完成推导。
-
无偏检验的导数性质
无偏检验的功效函数\(\tilde{\beta}(\theta,\varphi) = E_{(\theta,\varphi)}[\tilde{\phi}]\)满足：- 当\(\theta=\theta_0\)时，\(\tilde{\beta}(\theta_0,\varphi) = \alpha\)；
- 当\(\theta \neq \theta_0\)时，\(\tilde{\beta}(\theta,\varphi) \geq \alpha\)。
因此，功效函数\(\tilde{\beta}(\theta,\varphi)\)在\(\theta=\theta_0\)处取得最小值，对\(\theta\)的偏导数在\(\theta=\theta_0\)处必为0，即：
\[\frac{\partial \tilde{\beta}(\theta,\varphi)}{\partial \theta}\bigg|_{\theta=\theta_0} = 0, \quad \forall \varphi \tag{*} \] -
正则指数族的积分号下求导
多参数指数族是正则指数族，其支撑与参数\(\theta、\varphi\)无关，因此可以交换求导与积分的顺序（Leibniz法则）。首先写出功效函数的积分形式：\[\tilde{\beta}(\theta,\varphi) = \int \tilde{\phi}(u,t) \cdot h(u,t) \exp\left\{ \theta u + \sum_{i=1}^k \varphi_i t_i - b(\theta,\varphi) \right\} d\mu(u,t) \]对\(\theta\)求偏导，利用指数函数的求导法则：
\[\frac{\partial}{\partial \theta} \exp\left\{ \theta u + \sum \varphi_i t_i - b(\theta,\varphi) \right\} = \exp\left\{ \dots \right\} \cdot \left( u - \frac{\partial b(\theta,\varphi)}{\partial \theta} \right) \]代入导数表达式，得到期望形式：
\[\frac{\partial \tilde{\beta}}{\partial \theta} = E_{(\theta,\varphi)}\left[ \tilde{\phi}(U,T) \cdot \left( U - \frac{\partial b(\theta,\varphi)}{\partial \theta} \right) \right] \] -
代入\(\theta=\theta_0\)化简
记\(b_0' = \frac{\partial b(\theta,\varphi)}{\partial \theta}\bigg|_{\theta=\theta_0}\)，根据(*)式，导数在\(\theta_0\)处为0，因此：\[E_{(\theta_0,\varphi)}\left[ \tilde{\phi}(U,T) \cdot \left( U - b_0' \right) \right] = 0, \quad \forall \varphi \]展开得：
\[E_{(\theta_0,\varphi)}\left[ U \cdot \tilde{\phi}(U,T) \right] - b_0' \cdot E_{(\theta_0,\varphi)}\left[ \tilde{\phi}(U,T) \right] = 0 \] -
利用指数族的期望性质
正则指数族有核心性质：充分统计量\(U\)的期望满足\(E_{(\theta,\varphi)}[U] = \frac{\partial b(\theta,\varphi)}{\partial \theta}\)，因此在\(\theta=\theta_0\)处，\(b_0' = E_{(\theta_0,\varphi)}[U]\)。
同时，无偏检验满足\(E_{(\theta_0,\varphi)}[\tilde{\phi}] = \alpha\)，代入上式得：\[E_{(\theta_0,\varphi)}\left[ U \cdot \tilde{\phi}(U,T) - \alpha U \right] = 0, \quad \forall \varphi \tag{**} \] -
利用完备性得到条件期望等式
构造辅助函数：\[g(t) = E_{\theta_0}\left[ U \cdot \tilde{\phi}(U,T) - \alpha U \bigg| T=t \right] \]关键性质：\(U|T\)的条件分布与\(\varphi\)无关，因此\(g(t)\)是仅关于\(t\)的函数，与\(\varphi\)完全无关。
根据全期望公式，对任意\(\varphi\)，有：\[E_{(\theta_0,\varphi)}[g(T)] = E_{(\theta_0,\varphi)}\left[ U\tilde{\phi} - \alpha U \right] = 0 \]当\(\theta=\theta_0\)固定时，\(T\)的边缘分布是关于\(\varphi\)的正则指数族，因此\(T\)是关于\(\varphi\)的完备充分统计量。根据完备性定义：若对任意\(\varphi\)，\(E_{\varphi}[g(T)]=0\)，则必有\(g(t)=0\)几乎处处成立。
因此，\(g(t)=0\)几乎处处成立，即：\[E_{\theta_0}\left[ U \cdot \tilde{\phi}(U,T) \bigg| T=t \right] = \alpha E_{\theta_0}\left[ U \bigg| T=t \right] \quad \text{几乎处处成立} \]也就是\(\tilde{\phi}\)满足条件(6.5.12)。
(c) 证明最优性
由(a)(b)可知，任意无偏检验\(\tilde{\phi}\)和\(\phi_2\)都满足(6.5.11)和(6.5.12)两个条件。
根据单参数双边检验的UMPUT结论，\(\phi_2\)是条件分布下检验(2)-(v)的UMPUT，因此对任意\(\theta \neq \theta_0\)，有：
对不等式两边取关于\((\theta,\varphi)\)的全局期望，由全期望公式和期望的保序性，立即得到：
最终结论
\(\phi_2(u,t)\)是原检验问题(1)-(v)的水平为\(\alpha\)的一致最优无偏检验（UMPUT），定理得证。
四、核心应用场景
本定理是绝大多数经典双边参数检验的理论基础，最典型的应用是正态分布方差未知时均值的双侧t检验：
设\(X_1,\dots,X_n \overset{iid}{\sim} N(\mu,\sigma^2)\)，\(\mu\)和\(\sigma^2\)均未知，检验\(H_0:\mu=\mu_0 \leftrightarrow H_1:\mu \neq \mu_0\)。
- 将正态分布改写为多参数指数族形式：感兴趣参数\(\theta=\mu\)，多余参数\(\varphi=-1/(2\sigma^2)\)，充分统计量\(U=\sum X_i\)，\(T=\sum X_i^2\)；
- 根据本定理，构造的UMPUT就是双侧t检验，检验统计量为\(t=\frac{\bar{X}-\mu_0}{S/\sqrt{n}}\)，拒绝域为\(|t|>t_{\alpha/2}(n-1)\)；
- 本定理严格证明了双侧t检验是该问题的UMPUT，为其最优性提供了严谨的理论支撑。
此外，二项分布的比例双边检验、泊松分布的均值双边检验等常见指数族分布的双边检验，其最优性均由本定理保证。
五、知识点完整归纳总结表
表1 三类双边检验的核心信息汇总
| 检验编号 | 原假设\(H_0\) | 备择假设\(H_1\) | 检验函数核心形式 | 临界值确定条件 | 典型应用场景 |
|---|---|---|---|---|---|
| (1)-(iii) | \(\theta \leq \theta_1\) 或 \(\theta \geq \theta_2\)，\(\forall \varphi\) | \(\theta_1 < \theta < \theta_2\)，\(\forall \varphi\) | 中间拒绝、两边接受（\(U\)在\((k_1,k_2)\)内拒绝\(H_0\)） | $E_{\theta_1}[\phi_1 | T]=\alpha\(，\)E_{\theta_2}[\phi_1 |
| (1)-(iv) | \(\theta_1 \leq \theta \leq \theta_2\)，\(\forall \varphi\) | \(\theta < \theta_1\) 或 \(\theta > \theta_2\)，\(\forall \varphi\) | 两边拒绝、中间接受（\(U\)在\((k_1,k_2)\)外拒绝\(H_0\)） | $E_{\theta_1}[\phi_2 | T]=\alpha\(，\)E_{\theta_2}[\phi_2 |
| (1)-(v) | \(\theta = \theta_0\)，\(\forall \varphi\) | \(\theta \neq \theta_0\)，\(\forall \varphi\) | 两边拒绝、中间接受（\(U\)在\((k_1,k_2)\)外拒绝\(H_0\)） | 1. 水平条件：$E_{\theta_0}[\phi_2 | T]=\alpha\(<br>2. 导数条件：\)E_{\theta_0}[U\phi_2 |
表2 定理核心模块与关键结论汇总
| 核心模块 | 详细内容 | 关键结论与核心工具 |
|---|---|---|
| 定理核心逻辑 | 将带多余参数的多参数双边检验，降维为给定充分统计量\(T\)的单参数条件分布检验，条件分布的UMPUT就是原问题的UMPUT | 核心基石：$U |
| 证明核心步骤 | 1. 证明检验函数是原问题的无偏检验； 2. 证明任意无偏检验都满足条件分布检验的约束条件； 3. 利用条件分布UMPUT的最优性，证明全局最优性 |
关键工具：全期望公式、指数族的完备性、正则指数族积分号下求导法则、单参数双边检验UMPUT结论 |
| 双边与单边检验的核心差异 | 单边检验仅需1个水平条件确定1个临界值；双边检验有2个临界值，需要2个独立方程确定 | 点原假设双边检验的第二个方程，来自无偏检验的性质：功效函数在原假设点取最小值，导数为0 |
| 理论价值 | 1. 完整解决了带多余参数的指数族双边检验的最优检验构造问题； 2. 为t检验、F检验、卡方检验等经典双边参数检验的最优性提供了严格理论支撑； 3. 建立了多参数检验到单参数检验的通用降维框架 |
是数理统计参数检验体系的核心组成部分，连接了单参数与多参数检验的理论体系 |
| 关键注意事项 | 带多余参数的检验，临界值是充分统计量\(T\)的函数，而非固定常数；定解的关键是计算条件期望，而非单参数检验的无条件期望 | 与单参数检验的核心差异：通过条件分布消除多余参数的影响，临界值依赖于多余参数的充分统计量 |
posted on 2026-03-04 10:07 Indian_Mysore 阅读(0) 评论(0) 收藏 举报
浙公网安备 33010602011771号