ROCZNIKI POLSKIEGO TOWARZYSTWA MATEMATYCZNEGO Seria III: MATEMATYKA STOSOWANA XXV (1984)
T e r e s a L e d w in a Wrocław
O efektywności Bahadura pewnych testów niezależności*
(Praca wpłynęła do R edakcji 8.03.1983)
i. wsTęp
Wiadomo, że w* wielu problemach testowania hipotez porównywa-nie mocy testów przy ustalonej wielkości próby jest bardzo trudne, a często wręcz praktycznie niewykonalne. W tego typu zagadnieniach podejście asymptotyczne, przy wielkości próby zmierzającej do nieskończoności, bywa często użyteczne.
W tej pracy omawiamy pojęcie asymptotycznej relatywnej efektywności w sensie Bahadura, która służy do porównywania funkcji mocy dwóch testów przy ustalonej alternatywie i licz-bie prób zmierzającej do nieskończoności. Pojęcie to, będące formalizacją pewnych pomysłów Cochrana [ 9 ]» zdefiniował Baha- dur [ 2 ] w 1960 roku. Literatura dotycząca efektywności Baha-dura jest bardzo obszerna. W tej pracy przedstawimy niewielką * Rozszerzona wersja referatu wygłoszonego na IX Konferencji ze Statystyki, Błażejewko, grudzień 1982.
6 T.LEDWINA część problemów związanych z tym pojęciem i jego zastosowa-niami .
Plan pracy jest następująoy. V rozdziale pierwszym omawia-my głównie definicję i pewne sposoby wyznaozania efektywności Bahadura. Podajemy również definicję asymptotycznej relatyw-nej efektywnośoi w sensie Pitmana i Hodgesa-Lehmanna, V roz-dziale drugim przedstawiamy krótko dwa podejścia do wyznacza-nia prawdopodobieństw wielkich odchyleń, które pełnią kluczo-wą rolę przy wyznaczaniu efektywności Bahadura, V rozdziale trzecim, na przykładzie trzech testów niezależności, omawiamy pokrótce zastosowanie wyników przedstawionych w dwóch pierw-szych rozdziałach do praktycznego wyznaczania asymptotycznej relatywnej efektywności w sensie Bahadura,
Pierwsze dwa rozdziały tej pracy oparte są częściowo na przeglądowej pracy Groenebooma i Oosterhoffa [11],
2. MIARY EFEKTYWNOŚCI
Niech X=(Xj,X^,•,•) będzie ciągiem niezależnych zmiennych lo-sowych, z których każda ma rozkład P , Q> e © , gdzie Q) jest'O dowolnym zbiorem parametrów. Niech P^ oznacza rozkład X. Rozważmy problem testowania
H;
®0
przeciwko
O EFEKTYWNOŚCI BAHADURA PEWNYCH TESTÓW NIEZALEŻNOŚCI 7 Niech t będzie statystyką testową dla testowania H przeciwko alternatywie K y będącą funkcją n pierwszych składowych X* Przypuśćmy dla ustalenia uwagi, te hipoteza H jest odrzucana, gdy tQ przyjmuje zbyt dute wartości. Wówczas funkcja mocy te-go testu ma postać
a rozmiar jest zdefiniowany jako sup P©, ° ) •
Dla
0
< |i <1
i ©'e (ś^ niech cn=°n ( ji t ■©') będzie takie, te ty s n n' r jty n n 'Oznaczmy
< V jb . 9 0 = V cn >•
Wówczas cXn ( ę, t & ) Jest najmniejszym rozmiarem jednostron-nego testu, dla którego moc przy alternatywie ©* wynosi co najmniej .
8 T.LEDWIN A Nt(a, (bt
©0
= min {n: o(m ({bt ©O4
, dla każdego m ^ n}.Zgodnie z tą definicją, Nt (a,j
3
, ©O jest najmniejszą liczbą prób gwarantującą, że test o zbiorze krytycznym |tn ^ cr^ jest na poziomie istotności OC i ma moc co najmniej przy alter— na ty wie0
*.Przypuśćmy teraz, że dla testowania H przeciwko K mamy dwa ciągi statystyk {tQ } i {tn }. Wówczas relatywna efektywność {*n ) względem {tn ^ jest zdefiniowana jako
°t,t (-CXt » ^ =Nt ( [> Nt (a»
P
gdzie O * oC j3 <1
i6
- e .Powyższa miara efektywności ma dwie zasadnicze wady* Po pierwsze, jej wyznaczenie jest na ogól bardzo trudne. Po dru-gie , jej zależność od trzech argumentów czyni porównywanie testów dość skomplikowanym. W związku z tym rozważano rozma-ite modyfikacje tej definicji. Przytoczymy tu trzy, których cechą wspólną jest to, że rozmiary prób N^.
( ( * ,£ ,© 0
iNt P »e')* występujące w definioji ei,t ,©), zmierzają do nieskończoności. W poniższy oh definicjach zakładamy, że wszystkie występujące w nich granice istnieją.
(1) Niech € <
8
>q będzie punktem brzegowym (w pewnejtopo-logii na ® ). Wówczas ^
lim er . (oc» (b »©')» 0 + (X c £ 4. 1, U
O EFEKTYWNOŚCI BAHADURA PEWNYCH TESTÓW NIEZALEŻNYCH 9 nazywamy efektywnością Pitmana ciąga {tn} względem
(2) Efektywnością Hodgesa-Lehmanna ciągu {tn} względem {tn} nazywamy
lim e r . ( ot # ft t ^ » 0 4 DC < 1, e-e®.,
(bt1 J 1
(3) Efektywnośoią Bahadura ciągu {t^j względem {tQ] nazywamy
j-lim e; * (a» foi®1) »
0
4 Jb <1
, O* e ® .oao *
1
Tak zdefiniowane efektywności są łatwiejsze do wyznacze-nia niż e£ ^ (OL, jb f00. Ponadto, ponieważ efektywność Pitmana w wielu przypadkach nie zależy od CC lub /b , a efektywność Bahadura na ogół nie zależy od (b (por* twierdzenie 2*2), ich interpretacja jest prostsza niż interpretacja eę ^ ( CL, (
3
,6
").Zanim przejdziemy do omówienia metod wyznaczania efek-tywności Bahadura, zanotujmy, że efektywność Pitmana została wprowadzona w roku 19^9 w pracy [25], a efektywność Hodgesa- -Lehmanna w roku 1956 w pracy [15 J• Szczegóły dotyczące wyz-naczania tyoh efektywności można znaleźć między innymi w książce Serflinga [29 ]. Ponieważ,efektywność Hodgesa-Lehmanna
jest ściśle związana z efektywnością Chernoffa, poleoamy rów-nież uwadze Czytelnika pracę Kallenberga [201.
10 T .LEDVINA TWIERDZENIE 2.1. Jeżeli olą; statystyk testówyoh {tQ]
spełnia
lim (-l/n; log a n ( (i,O') = ©t ( >
0
n->oo
dla pewnej funkcji o^ ( fbf&) i
0
^ jb <1
, ©'e toNt (a * A /{-(l°SCO/©t ( fit*)] --> 1 przy cti o.
Oznaozmy efektywność Bahadura ciągu {tn } względem {t B
przez eę ^ Na mocy twierdzenia
2 .1
mamyWNIOSEK 2.1. Dla {tn } i {*n } spełniających założenia twierdzenia
2 .1
zachodzie f t = ct ^
P
»^V°t (P
t&)~ wszystkich0
< p c1
i &>£ ® . Poniżej podajemy twierdzenie umożliwiające liczenie c^ ( fb,&). Wcześniej wprowadzamy dodatkowe oznaczenia.Dla t R zdefiniujmy
O EFEKTYWNOŚCI BAHADURA PEWNYCH TESTÓW NIEZALEŻNOŚCI 11 gdżie tn (X) osmoza "zaobserwowaną" wartość statystyki tn# Zmienna losowa Lq nosi nazwę poziomu osiąganego przez statys-tykę testową*
TWIERDZENIE 2*2* Jeteli dla
6
* e 0^ zachodzi (-l/n)log Ln— » o (O') wedługdla pewnej funkcji c(
0')>0
, tolim (-l/n;iog OC (p,©*) = c (fr) dla wszystkich n -» eo
O * f> <
1
. WNIOSEK 2.2* Dla {tn } i {tn } spełniających załoteniatwierdzenia
2.2
z funkcjami o(60
i Ć(60, odpowiednio, zachodzief ^ ( p ,O') = c (&)/c(S>) dla wszystkich O < p <
1
. Zanotujmy, te funkcja o (60 nosi nazwę dokładnego nachyle-nia w sensie Bahadura. Uzasadnienie tej nazwy znaleźć można> w pracach Bahadura[2
J i [ 3 ].Efektywne kryterium wyznaczania nachylenia w sensie Baha-dura podaje ponitsze twierdzenie.
12 T. LED WINA (b) (-1/n) log (1-Gn ( tat))— » f Ct ) dla każdego t e R,
gdzie b jest dowolną funkoją o wartościach rzeczywis-tych, a f jest nieujemną funkcją rzeczywistą, ciągłą w t = b(©'), to
( -i/n)log — ■> fCbCG)) według P^.
Przypomnijmy, te G (t)= 1- sup x t) i zauważmy, te
n G e
w wielu problemach testowania P„(t ^ t) nie zalety od G przyu G€.@q, V tych przyi>adkach założenie Cb) twierdzenia
2.3
przyj-muje postaćlim ( -l/n )log P^ (tn > t/n ) a f (t ), GQ & ©Q. n -> oo
0
Przypomnijmy również, te przy dużych n zdarzenia typu { Sn ^ a^» gdzie {S ] jest ciągiem zmiennych losowych, a {an j - ciągiem liczbowym, są nazywane wielkimi odchyleniami, jeżeli istnieje granica
lim (l/n)log Pr(Sn ^ an ) n -> oo
i granica ta należy do (- oo f0 ).
Powyższe uwagi wraz z twierdzeniem 2.3 uwypuklają rolę prawdopodobieństw wielkioh odchyleń przy wyznaczaniu efektyw-ności Bahadura. Wyznaczaniu prawdopodobieństw wielkich
O EFEKTYWNOŚCI BAHADURA PEWNYCH TESTÓW NIEZALEŻNOŚCI 13 3. WYZNACZANIE PRAWDOPODOBIEŃSTW WIELKICH ODCHYLEŃ
W rozdziale tym omówimy krótko dwa podejścia do wyznaczania prawdopodobieństw wielkich odchyleń: podejście poprzez funk-cje tworzące oraz przez miary empiryczne.
Odnośnie podejścia poprzez funkcje tworzące zacytujemy tu jedynie bardzo znany wynik Chernoffa [8] z 1952 roku.
TWIERDZENIE 3.1. Niech X^,Xg,... będą niezależnymi zmien-nymi losowymi o wartościach w R, mającymi jednakowe rozkłady. Wówczas dla każdego t e R zachodzi
ji tx
lim d/n)log Pr (Cl/n) ^ t)= inf {log(Ee )-'tt}.
n -*oo i=t Z >■ 0
Twierdzenie to było uogólniane przez wielu autorów na średnie zmiennych losowych o wartościach w rozmaitych prze-strzeniach. Najogólniejszą pracą w tym kierunku jest praca Ba-hadura i Zabella [5]» gdzie Czytelnik znajdzie również rozleg-łą bibliografię dotyczącą tego podejścia.
Innego rodzaju uogólnieniem wyniku Chernoffa są prace Plachky'ego, Steinebacha oraz Sieversa (porównaj [26J, [27 ]# [30]), które wiążą prawdopodobieństwa wielkich odchyleń dla dowolnych statystyk o wartościach rzeczywistych z pewnymi wiel-kościami wyznaczonymi przez funkcję tworzącą.
z pracy Groenebooma, Oosterhoffa i Ruymgaarta [12], które u- ogólnia większość uzyskanych dotychczas rezultatów w tej dzie-dzinie (między innymi prace Borowkowa [
7
] i Hoadleya [14]).Przed podaniem tego twierdzenia wprowadzimy dodatkowe
oznaczenia.
Niech S będzie topologiczną przestrzenią Ifeusdorffa i niech 3 będzie 6 -ciałem zbiorów borelowskich w S. Niech A
oznacza zbiór wszystkich miar probabilistyoznyoh na cH)a V zbio-rze A wprowadzamy topologię Z w ten sposób, aby zbieżność ciągu miar { z A do miary probabilistycznej Qe A była równoważna zbieżności
JfdO -- * JfdQ
s s
dla każdej ograniczonej i ćB-mierzalnej funkcji f : S — » R. Dla miar P , Q e A informacja Kullbaoka-Leiblera K Q,P jest zdefiniowana jako
T, LED WIN A
K(Q,P) = j(dQ/dP)log(dQ/dP), S jeżeli Q*<P,
+
00
w pozostałych przypadkach. Dla zbioru ficA definiujemyK (£2 , P ) = inf K(Q,P). Qef
2
ozna-O EFEKTYWNozna-OŚCI BAHADURA PEWNYCH TESTÓW NIEZALEŻNozna-OŚCI 15
A /v
ozona przez PQ . Przypomnijmy, że dla każdego B e ^ , P n( B ) jest zdefiniowana ja*ko frakcja tych Xj, 1 ^ J ś n, które przyjęły wartość w zbiorze B*
Ponadto, dla odwzorowania T : A ■ ■ ■> R , gdzie R oznacza uzwarconą prostą, zdefiniujmy
i?t = {Q € A : T(Q )>. tj.
TWIERDZENIE 3*2* Niech P e A i niech T : A ■ ■ ■» R będzie funkcją, która jest T-ciągła w każdym punkcie Qe T = s {M e A : K(M,P) +
00
}. Jeśli ponadto funkcjat — K (5?^,P), t e R, jest prawostronnie ciągła w t s r, a {un j jest ciągiem liczb rzeczywistych takich, że lim u s — n
0
, ton->oo
lim(l/n)logPr(T(Pn ) ^ r+un ) 3 - K ( P r ,P).
n-+oo
Jak wspomnieliśmy wyżej, z twierdzenia 3*2 można wyprowa-dzić większość wcześniejszych rezultatów dotyozącyoh wielkich odohyleń. Wiele przykładów zastosowania twierdzenia
3*2
poda-no w pracy [12]* Ponadto Hwang i Klotz f19 3 oraz Hwang[18
], stosując twierdzenie Hoadleya [14], którego uogólnieniem Jest właśnie twierdzenie3
*2
, znaleźli prawdopodobieństwo wielkich odchyleń dla pewnej klasy liniowych statystyk rangowych* Efek-tywnemu wyznaczaniu prawdopodobieństw wielkioh odchyleń linio-wych statystyk rangolinio-wych poświęcona jest również pracaWood-• I
16 T.LEDWINA Drugą ważną klasą statystyk (nie ujętą w przykładach w [
1 2
]),dla której można uzyskać wielkie odchylenia poprzez za-stosowanie twierdzenia 3*2,są statystyki typu Kołmogorowa—Smir- nowa i Cramśra-von Misesa (patrz Groeneboom i Shorack [13])* Zanotujmy, że pierwszą pracą o wielkioh odchyleniach i efek-tywności Bahadura testów typu Kołmogorowa-Smirnowa była praca Abrahamson [1]« Niestety, jak pokazano w [13] praca ta zawiera liczne błędy* Poprawną wersję wyniku Abrahamson dla testu Koł-mogorowa-Smirnowa można znaleźć również w pracy Bahadura [ k ]* k. EFEKTYWNOŚĆ BAHADURA WYBRANYCH TESTÓW NIEZALEŻNOŚCIW rozdziale tym przedstawimy w wielkim skrócie wyznaczanie nachylenia w sensie Bahadura testów niezależności Spearmana, Kendalla oraz testu opartego na statystyce wprowadzonej w pra-cy Kowalczyk i Ledwiny [21]* Wszystkie trzy testy są testami rangowymi i służą do testowania niezależności przeciwko dodat-niej zależności* Pojęcie dodatdodat-niej zależności zmiennych loso-wych X i Y bywa dość szeroko rozumiane* W tej pracy mówiąc o dodatniej zależności będziemy mieć zawsze na myśli dodatnią kwadrantową zależność, która oznacza, że
O EFEKTYWNOŚCI BAHADURA PEWNYCH TESTÓW NIEZALEŻNOŚCI 17 odpowiednio•
Statystyka Spearmana zdefiniowana jest następująoo: t® = (l2/n(n+1) n
1=1
£ (R.-(n+1)/2)(S,-(n+1;/2)1
i przy założeniu niezależności X i Y ma asymptotyczny rozkład N (0,
1
)* W pracy Woodwortha [32] pokazano, że jeżeli rozkład (X,Y) ma dystrybuantę H(x,y), to funkcja b (©0 , występująca w punkcie (a) twierdzenia2
.3
, ma postaćb(H;S) a 12jjF(x)G(y)dH(x,y) - 3.
Ponadto, z ogólnych twierdzeń, dotyczących efektywnego wyzna-czania prawdopodobieństw wielkich odchyleń dla tzw. liniowych statystyk rangowych, udowodnionych w pracy Woodwortha [32], wynika, że funkcja f(t), występująca w punkcie (b) twierdzenia
2
.3
, może być zapisana w postacifs (t) a *
5
t2
+ .19
t \ gdy t i O.Stąd natychmiast otrzymujemy, że nachylenie w sensie Bahadura statystyki Spearmana, przy alternatywnym rozkładzie H, ma po-stać
2c(H;S) a 2fg(b(HjS); .
18 T.LEDWINA Statystyka Kendalla była roznatana we wcześniejszej pracy Wood- wortha [
25
], Przypomni jmy, że statystyka ta ma postać*n “
(
3/l/2n(n-1) (
2n+
5)) L H
s g n ^ -S ^ )
1 przy niezależności X i T jej rozkład zbiega do rozkładu 1f(0f
1
). Woodworth [ 31 J wykazał, że przy alternatywnym rozkła-dzie H, funkcja b przyjmuje postaćb(H;K) = 4j|HCx,y)dH(xfy;-1, a funkcja f wyraża się wzorem
fK (t) = (
1
/2
)lt + (1
/2 )1
+ logi - log(eŁ- 1
)f gdzie1
jest rozwiązaniem równaniaTablice funkcji można znaleźć w pracach Voodwortha [31]» [32].
Rozważmy teraz statystykę
t* = sup (
1
/ n ^ 2)*4
r np ] ) ) » n <Xp<1
1=1
1
1
O EFEKTYWNOŚCI BAHADURA PEWNYCH TESTÓW NIEZALEŻNOŚCI 19 przez Kowalczyk 1 Pieszezyńską [22 J• Z pracy Bednarskiego i Ledwiny
[6
Jwynika, że przy niezależnoóoi X i Y2
lim Pr ( V?2t+ < x ) = 1 - e ” X , n x>0. n -» oo
W pracy Ledwiny [23] wykazano, że przy alternatywnym rozkła-dzie H, funkcja b przyjmuje postać
b(H,T+) a sup jJ’F(x)(p-l('G(y)^ p)) dH(x,y).
0
<p<1
W tej samej pracy wyprowadzono prawdopodobieństwa wielkich od-chyleń dla t* w analogiczny sposób jak w [4] i C13J• Tutaj po-dajemy tylko najważniejsze kroki tego rozumowania* Ustalmy najpierw pc (
0
,1
) i rozważmy pomocniczą statystykęt^P ) = (1/n3/2) £ R.(p-I(S ś [np])). i
=1
Wyznaczymy dla tej statystyki granicę prawdopodobieństw wiel-kich odchyleń, tzn*
—lim(1/n)logP^ (tn (p)^ tVn ),
n
00
0
>20 T.LEDWINA Co więcej, okazuje się, że powyższa statystyka spełnia założę nia pracy Woodwortha [32] (por, również Hwang [
18
]) i w związ ku z tym natychmiast uzyskujemy istnienie żądanych prawdopodo bieństw wielkich odchyleń. Oznaczmy-lim (l/nJlogP^ Ctn (p;!i t Vn ) = f(t;p ) ,
n->oo O
Korzystając z wyników Woodwortha [ 32], po elementarnych obli-czeniach otrzymujemy jawną postać funkcji f(t;p):
f(t;p) =
= 6t2( { p ( i - p ) } " 1+ i . 2 t 2( { p ( i - p ) } ’ 1- i ; / f p ( i - p ) } 2+ . . . ) . Stosując teraz analogiczne rozumowanie jak przy wyprowa-dzaniu prawdopodobieństw wielkich odchyleń dla statystyki Kołmogorowa-Smirnowa (por, [4] lub [13])# uzyskujemy
-lim (l/n)logPft< ( sup t (p)^t/n) = inf f(t;p) , n —>co O
0
<p<1
0
<p<1
gdzie oczywiście sup t (p) = t*. Ponieważ inf f(t;p)~
0
<p<1
n n Ocp^l~ f(t;l/2), gdy tłO, przeto funkcja f występująca w punkcie (b) twierdzenia
2,3
przyjmuje w tym przypadku postaćf (t)~24t2 +
345
,6
t\ gdy tłO, T +statys-O EFEKTYWNstatys-OŚCI BAHADURA PEWNYCH TESTÓW NIEZALEŻNstatys-OŚCI 21 tyk SpBarmana i Kendalla przy różnych alternatywach znajdują się w pracy Ledwiny [
23
].Na zakończenie przytoczymy dwa przykłady ze wspomnianej pracy dotyczące efektywności Bahadura tych testów przy nastę-pujących rozkładach alternatywnych.
Rozkład Woodwortha o dystrybuancie
Hm,z(X »y) = F <x)G(y> {l+z(Fm(x)-l)(Gm(y)-1)} ,
2
—
1
/m 4 z $ l/m , m4
.1
,który zdefiniowano w pracy [311* Zauważmy, że dla każdego m i
0
<: z <1
/m zmienne losowe o dystrybuancie Hm z są dodatnio kwadrantowo zależne. Ponadto, H, i ,z jest rozkładem Morgensterna[24].
Rozkład Farliego [10], zdefiniowany poprzez gęstość
%
hz(x,y) = f(x)g(y) { 1+zsgn(F(x;-l/2)(G(y)-1/2 ) } , I ® I ś
1
# gdzie f i g oznaczają gęstości rozkładów brzegowych. Można wykazać, że hz definiuje dodatnio kwadrantowo zależne zmienne losowe wtedy i tylko wtedy, gdy z^ O.Korzystając ze wzorów przytoczonych wyżej, po elementar-nych rachunkach otrzymujemy
22 T.LEDVINA b ^Hm,z»S) =
3
z(m/(2
+m))2
,b(Hm ^z,T+ ) = m
2
z/2
(2
+m)(m+1
)(nl+1)/m .Korzystając z odpowiednich tablic oraz postaci fgCt) i f (t), otrzymujemy dane zebrane w tabeli 1*. Dla skrócenia za-
T
pisów c(Hm z»*) oznaczono przez c(m,z, • )• Tabela 1 m z c(m,z,K} c( m,z,S) c(ra.z.K) c(m,z,T+; c(m.z.S; c(m,z,T"ł)
6
• 0180 .975 1.071 1.099 •0250
.991 1.089 1.099 3 •0500
.999 1.2091.2 10
•1000
.998 1.2091 .2 1 1
2
.0500
.921
1.166
1.266.2500
.977 1.2431.2 72
1
•0500
1
,000
1.333 1.333 .4951 .994 1.336 1.335Dla rozkładu Farliego mamy
b(Hz,K) = z/2f b(Hz,S) = 3z/4, b(Hz,T+ ) = z/
8
. Oznaczając jak wyżej c ( H z > *) przez c(z,*)» P© prostychO EFEKTYWNOŚCI BAHADURA PEWNYCH TESTÓW NIEZALEŻNOŚCI 23 Tabela 2 z c(z,K) c(z,K) c(z,S) e c(z,S)
0
( z, T+) c (z,T+) .04 1 .000 .750 .750 .24.994
• 7**5 .749 PRACE CYTOWANE[1 ] I.G.A b r a h a m s o n , The exact Bahadur efficiencies for the Kolmogorov-Smirnov and Kuiper one- and two-sample .ątatistica. Ann.Math.Statist. 38 (1967), l475-1**90.
[Z ] R.R.B a h a d u r, Stochastic comparison of testa, ibidem 31 (1960), 276-295.
[3 ] 1 ■ 1 , Ratea of convergenoe of estimates and test atatiatica, ibidem
38
(1967)» 303-324.[
4
] 111 , Some Limit Theorema in Statistics, SI AM, Phila- delphia 1?71.[5] R.R.B a h a d u r, S.L.Z a b e 1 1, Large deviations of the aample mean in generał yector apacea. Ann.Frobability 7 (1979), 587-621.
I.6] T.B e d n a r s k i , T.L e d w i n a, Weak eonvergenoe of an empirical monotonie dependence ftinction under dependence. Probability and Mathematical Statiatica ( w druku).
T.LBDWINA
walks and large deviations in function spaces, Theor. Probability Appl. 12 (1967), 635-654 (w j.rosyjskim). T
8
] H.C h o r n o f f , A meaaure of asymptotic efficiencyfor tests of a hypothesis baaed on the sum of obseryą- tions, Ann.Math.Statist. 23 (1952), 491-507.
[9J W.G.C o c h r a n , The goodness of fit test, ibidem 23 (1952), 315-345.
[
10
] O.J.G.F a r 1 i e, The asymptotic efficiency of Daniels'a generalized oorrelation ooefficients. J.Roy.Statist.Soc. Ser.B 28 (1961), 128-142.Eli] P.G r o e n e b o o m , J.O o s t e r h o f f , Bahadur efficiency and probabilities of large deviations. Statistica Neerlandica 31 (1977)» 1~24.
[12] P.G r o e n e b o o m , J.O o s t e r h o f f, F.H.
R u y m g a a r t , Large deviation theorems for empirical probability measures. Ann.Probability 7 (1979), 553-566. [13] P.G r o e n e b o o m , G.R.S h o r a c k, Large
deyiations of goodness of fit statistics and linear oombinations of order statistics, Ann.Probability 9 (
19 8 1
), 971-987.[14] A.B.H o a d 1 e y, On the probability of large deyiations of funotions of several empirical cdf*st Ann.Math.Statist. 38 (1967), 360-381.
[15J J.L.H o d g e s, Jr., B.L.L e h m a n n, The efficiency of somę non-parametric competitors of the t-test, Ann. Matn.Statist. 27 (1956), 324-335.
O EFEKTYWNOŚCI BAHADURA PEWNYCH TESTÓW NIEZALEŻNOŚCI 25 nrultinominal distributions, Ann.Math.Statist•
36
(1965), 369-401.[17] — "•■■■ On probabilities of large deviations, Proc.Fifth Berkeley Symp.Math.Stat.Prob. 1 (1967), 203-219*
[
18
] T.Y.H w a n g, On the probability of large deviations of linear rank statistics with continuity assumption,Chlnese Journal of Mathematics 5 (1977), 27-42. [19] T.Y.H w a n g, J.H.K 1 o t z, Bahadur efficlency of
linear rank statistics for scalę alternativea. Ann. Statist. 3 (1975), 947-954.
[20] W.K a l l e n b e r g , Chernoff efficiency and deficiency. Ann.Statist. 10 (1982), 583-594.
[21] T.K o w a l c z y k , T.L e d w i n a, Some properties of chosen grade parameters and their rank counterparts. Math.Operationsforsch.Statist.Ser.Statistics 13 (1982),
547
-553
.[22] T.K o w a l c z y k , E.P l e s z c z y ń s k a ,
Monotonie dependence functlons of bivariate distributions. Ann.Statist. 5 (1977), 1221-1227.
[23] T.L e d w i n a, Large deviations and Bahadur slopes of some rank tests of independence. Technical Report No.192 (1983), Department of Statistics, Stanford University.
[24] D.M o r g e n s t e r n , Einfache Bieispiel8 zweidimensi Oił- aler Yerteilungen. Mitt•Math.Statist. 8 (1956), 234-235* [25] E.J.G.P i t m a n, Lecture notes on nonparametric
statistical inference, (1949), unpublished.
2 6 T.LEDWINA £27J D.P 1 a o h k y, J.S t e i n e b a c h , A theorem about
probabilitiea of large deyiations with an ąpplication to gueuing theory, Period•Math.Hungar.
6
(1975)t 343-345* [28] I.N.S a n o w, On the probability of large deyiations ofrandom yariables, Math.Sb. 42 (1957), 11-44 (w j.rosyj- skim).
[29] R.J.S e r f 1 i n g, Approximątion Theorems of Mathema- tical Statistics. ¥iley, New York 1980.
[30] G.L.S i e v e r s, On the probability of large deyia-tions and exact slopes, Ann.Math.Statist. 40 (1969)*
1908
-
1921.
[31] G.G.¥ o o d w o r t h. On the asymptotic theory of tests of independence based on bivariate layer ranks, Technical Report No.75 (1966), Department of Statistics, University of Minnesota.