[Myślę, że może to być przykład sytuacji omawianej w twoim pytaniu.]
Istnieje wiele przykładów niespójnych estymatorów ML. Niespójność jest powszechnie obserwowana w przypadku szeregu nieco skomplikowanych problemów z mieszaniną i problemów cenzury.
[Spójność testu polega w zasadzie na tym, że moc testu dla (ustalonej) fałszywej hipotezy wzrasta do jednego jako .]n → ∞
Radford Neal podaje przykład w swoim blogu z 2008-08-09 Niespójne oszacowanie maksymalnego prawdopodobieństwa: przykład „zwykły” . Polega na oszacowaniu parametru w:θ
X | θ~(1 / 2)N ( 0 , 1 ) + ( 1 / 2 ) N ( θ , exp( - 1 / θ2))2))
(Neal używa gdzie mam θ ), gdzie oszacowanie ML θ będzie miało tendencję do 0 jako n → ∞ (i rzeczywiście prawdopodobieństwo może być znacznie wyższe w piku w pobliżu 0 niż w przypadku wartości rzeczywistej dla dość niewielkich rozmiarów próbek). Niemniej jednak jest tak, że szczyt znajduje się w pobliżu prawdziwej wartości θ , jest po prostu mniejszy niż ten w pobliżu 0.tθθ0n → ∞θ
Wyobraź sobie teraz dwa przypadki związane z tą sytuacją:
a) przeprowadzenie testu stosunku wiarygodności stosunku do alternatywnego H 1 : θ < θ 0 ;H.0: θ = θ0H.1: θ < θ0
b) wykonanie testu stosunku wiarygodności stosunku do alternatywnego H 1 : θ ≠ θ 0 .H.0: θ = θ0H.1: θ ≠ θ0
W przypadku (a) wyobraź sobie, że prawdziwe (tak, że alternatywa jest prawdziwa, a 0 to druga strona prawdziwej θ ). Następnie, pomimo faktu, że prawdopodobieństwo bardzo bliskie 0 przekroczy prawdopodobieństwo dla θ , prawdopodobieństwo przy θ mimo to przekracza prawdopodobieństwo przy θ 0 nawet w małych próbkach, a stosunek będzie nadal wzrastał jako n → ∞ , w takich sposób, aby prawdopodobieństwo odrzucenia w teście współczynnika prawdopodobieństwa sięgało 1.θ < θ00θθθθ0n → ∞
Rzeczywiście, nawet w przypadku (b), o ile jest ustalone i ograniczone od 0 , powinno również być tak, że iloraz prawdopodobieństwa wzrośnie w taki sposób, aby prawdopodobieństwo odrzucenia w teście ilorazu prawdopodobieństwa również podejście 1.θ00
Wydaje się więc, że jest to przykład niespójnego oszacowania ML, w którym moc LRT powinna mimo wszystko osiągnąć 1 (z wyjątkiem sytuacji, gdy ).θ0= 0
[Zauważ, że tak naprawdę nie ma w tym nic, co nie jest jeszcze odpowiedzią Whubera, co moim zdaniem jest przykładem przejrzystości i jest znacznie prostsze do zrozumienia różnicy między spójnością testu a spójnością estymatora. Fakt, że niespójny estymator w konkretnym przykładzie nie był ML, nie ma tak naprawdę znaczenia, o ile zrozumienie tej różnicy - i wprowadzenie niespójnego estymatora, który jest konkretnie ML - jak próbowałem tutaj zrobić - tak naprawdę nie zmienia wyjaśnienie w jakikolwiek merytoryczny sposób. Jedynym prawdziwym punktem tego przykładu jest to, że myślę, że rozwiązuje on Twoje obawy związane z użyciem estymatora ML.]