Uogólniony indeks Hirscha a dwupróbkowe testy

dla rodziny rozkładów Pareto II rodzaju

Marek Gągolewski 1,2 , Przemysław Grzegorzewski 2,1

{gagolews,pgrzeg}@ibspan.waw.pl

XXXV Konferencja Statystyka Matematyczna

Wisła, 7–11 grudnia 2009 r.

1 Instytut Badań Systemowych 2 Wydział Matematyki

Polska Akademia Nauk i Nauk Informacyjnych
Politechnika Warszawska
Plan referatu

• Ogólny problem oceny twórców

• Wskaźniki bibliometryczne
• Problem oceny w interpretacji statystycznej
• κ-pozycje i ich estymacja
• Testy do porównywania dwóch prób
• Podsumowanie i problemy otwarte

2 / 69
 Ogólny problem oceny twórców

Problem oceny twórców

j4
j2
j3
j1 j5
J

Przeliczalny zbiór jednostek (dzieł, produktów): J = {j1 , j2 , . . . }.

3 / 69
 Ogólny problem oceny twórców

Problem oceny twórców

j4
j2
v(j1 ) = 7
j3
j1 j5
J

Przeliczalny zbiór jednostek (dzieł, produktów): J = {j1 , j2 , . . . }.

Funkcja oceny jednostek v : J → [0, ∞).

4 / 69
 Ogólny problem oceny twórców

Problem oceny twórców

A1 j4
j2
j3 A2
j1 j5
J

Przeliczalny zbiór jednostek (dzieł, produktów): J = {j1 , j2 , . . . }.

Funkcja oceny jednostek v : J → [0, ∞).
Zbiór twórców (autorów, producentów) A = {A1 , . . . , Am }
— pewna rodzina podzbiorów J: (A1 , . . . , Am ⊆ J).

Modelem opisywanej rzeczywistości jest trójka (J, A, v).

5 / 69
 Ogólny problem oceny twórców

Problem oceny twórców

A1 j4
j2
j3 A2
j1 j5
J

Przeliczalny zbiór jednostek (dzieł, produktów): J = {j1 , j2 , . . . }.

Funkcja oceny jednostek v : J → [0, ∞).
Zbiór twórców (autorów, producentów) A = {A1 , . . . , Am }
— pewna rodzina podzbiorów J: (A1 , . . . , Am ⊆ J).

Modelem opisywanej rzeczywistości jest trójka (J, A, v).

6 / 69
 Ogólny problem oceny twórców

1 • J — artykuły w recenzowanych czasopismach,

• A — pracownicy naukowi,
• v — liczba cytowań,

2 • J — artykuły w recenzowanych czasopismach,

• A — instytucje naukowe,
• v — punkty z listy czasopism punktowanych MNiSW,

3 • J — strony internetowe,
• A — portale (serwisy WWW),
• v — liczba odwiedzin,

4 • J — dzieła sztuki,
• A — artyści,
• v — cena dzieła na aukcji.

7 / 69
 Ogólny problem oceny twórców

1 • J — artykuły w recenzowanych czasopismach,

• A — pracownicy naukowi,
• v — liczba cytowań,

2 • J — artykuły w recenzowanych czasopismach,

• A — instytucje naukowe,
• v — punkty z listy czasopism punktowanych MNiSW,

3 • J — strony internetowe,
• A — portale (serwisy WWW),
• v — liczba odwiedzin,

4 • J — dzieła sztuki,
• A — artyści,
• v — cena dzieła na aukcji.

8 / 69
 Ogólny problem oceny twórców

1 • J — artykuły w recenzowanych czasopismach,

• A — pracownicy naukowi,
• v — liczba cytowań,

2 • J — artykuły w recenzowanych czasopismach,

• A — instytucje naukowe,
• v — punkty z listy czasopism punktowanych MNiSW,

3 • J — strony internetowe,
• A — portale (serwisy WWW),
• v — liczba odwiedzin,

4 • J — dzieła sztuki,
• A — artyści,
• v — cena dzieła na aukcji.

9 / 69
 Ogólny problem oceny twórców

1 • J — artykuły w recenzowanych czasopismach,

• A — pracownicy naukowi,
• v — liczba cytowań,

2 • J — artykuły w recenzowanych czasopismach,

• A — instytucje naukowe,
• v — punkty z listy czasopism punktowanych MNiSW,

3 • J — strony internetowe,
• A — portale (serwisy WWW),
• v — liczba odwiedzin,

4 • J — dzieła sztuki,
• A — artyści,
• v — cena dzieła na aukcji.

10 / 69
 Ogólny problem oceny twórców

1 • J — artykuły w recenzowanych czasopismach,

• A — pracownicy naukowi,
• v — liczba cytowań,

2 • J — artykuły w recenzowanych czasopismach,

• A — instytucje naukowe,
• v — punkty z listy czasopism punktowanych MNiSW,

3 • J — strony internetowe,
• A — portale (serwisy WWW),
• v — liczba odwiedzin,

4 • J — dzieła sztuki,
• A — artyści,
• v — cena dzieła na aukcji.

11 / 69
 Ogólny problem oceny twórców

Problem
Na podstawie informacji zawartych w (J, A, v) dokonać „oceny”
twórców z A.

Co oceniać?

• jakość wytworów
• produktywność

Rozpatrujemy twórców cechujących się tą samą produktywnością.

ω(n) : [0, ∞)n → [0, ∞) jest funkcją agregującą, jeśli spełnia

następujące warunki (zob. Grabisch i in., 2009):
• ω(n) (0, . . . , 0) = 0,
• jest niemalejąca ze względu na każdą zmienną.
12 / 69
 Ogólny problem oceny twórców

Problem
Na podstawie informacji zawartych w (J, A, v) dokonać „oceny”
twórców z A.

Co oceniać?

• jakość wytworów
• produktywność

Rozpatrujemy twórców cechujących się tą samą produktywnością.

ω(n) : [0, ∞)n → [0, ∞) jest funkcją agregującą, jeśli spełnia

następujące warunki (zob. Grabisch i in., 2009):
• ω(n) (0, . . . , 0) = 0,
• jest niemalejąca ze względu na każdą zmienną.
13 / 69
 Ogólny problem oceny twórców

Problem
Na podstawie informacji zawartych w (J, A, v) dokonać „oceny”
twórców z A.

Co oceniać?

• jakość wytworów
• produktywność

Rozpatrujemy twórców cechujących się tą samą produktywnością.

ω(n) : [0, ∞)n → [0, ∞) jest funkcją agregującą, jeśli spełnia

następujące warunki (zob. Grabisch i in., 2009):
• ω(n) (0, . . . , 0) = 0,
• jest niemalejąca ze względu na każdą zmienną.
14 / 69
 Ogólny problem oceny twórców

Problem
Na podstawie informacji zawartych w (J, A, v) dokonać „oceny”
twórców z A.

Co oceniać?

• jakość wytworów
• produktywność

Rozpatrujemy twórców cechujących się tą samą produktywnością.

ω(n) : [0, ∞)n → [0, ∞) jest funkcją agregującą, jeśli spełnia

następujące warunki (zob. Grabisch i in., 2009):
• ω(n) (0, . . . , 0) = 0,
• jest niemalejąca ze względu na każdą zmienną.
15 / 69
 Ogólny problem oceny twórców

Problem
Na podstawie informacji zawartych w (J, A, v) dokonać „oceny”
twórców z A.

Co oceniać?

• jakość wytworów
• produktywność

Rozpatrujemy twórców cechujących się tą samą produktywnością.

ω(n) : [0, ∞)n → [0, ∞) jest funkcją agregującą, jeśli spełnia

następujące warunki (zob. Grabisch i in., 2009):
• ω(n) (0, . . . , 0) = 0,
• jest niemalejąca ze względu na każdą zmienną.
16 / 69
 Ogólny problem oceny twórców

Problem
Na podstawie informacji zawartych w (J, A, v) dokonać „oceny”
twórców z A.

Co oceniać?

• jakość wytworów
• produktywność

Rozpatrujemy twórców cechujących się tą samą produktywnością.

ω(n) : [0, ∞)n → [0, ∞) jest funkcją agregującą, jeśli spełnia

następujące warunki (zob. Grabisch i in., 2009):
• ω(n) (0, . . . , 0) = 0,
• jest niemalejąca ze względu na każdą zmienną.
17 / 69
 Wskaźniki bibliometryczne

Wskaźniki bibliometryczne

Przykładowe funkcje agregujące („wskaźniki bibliometryczne”):

• łączna liczba dzieł,
• średnia ocena jakości dzieł,
• indeks h (Hirsch, 2005)
• indeks g (Egghe, 2006)
• indeks w (Woeginger, 2008)
• indeksy „geometryczne” (Gągolewski, Grzegorzewski, 2009)
• ......

18 / 69
 Wskaźniki bibliometryczne

Wskaźniki bibliometryczne

Przykładowe funkcje agregujące („wskaźniki bibliometryczne”):

• łączna liczba dzieł,
• średnia ocena jakości dzieł,
• indeks h (Hirsch, 2005)
• indeks g (Egghe, 2006)
• indeks w (Woeginger, 2008)
• indeksy „geometryczne” (Gągolewski, Grzegorzewski, 2009)
• ......

19 / 69
 Wskaźniki bibliometryczne

Indeks Hirscha

„Autor n prac ma indeks o wartości h, jeżeli h jego prac otrzymało

co najmniej h cytowań, a pozostałe z jego n − h prac otrzymało co
najwyżej h cytowań.”

Definicja
Indeksem Hirscha nazywamy funkcję h : [0, ∞)n → [0, ∞) taką, że

max{i : xn+1−i:n > i, i = 1, 2, . . . , n} gdy xn:n > 0,
h(x) =
0 w p.p.

Np. h(5, 4, 3, 3, 3, 1) = 3.
Np. h(10, 10, 10, 10, 0, 0, 0, 0) = 4.

20 / 69
 Wskaźniki bibliometryczne

Indeks Hirscha

„Autor n prac ma indeks o wartości h, jeżeli h jego prac otrzymało

co najmniej h cytowań, a pozostałe z jego n − h prac otrzymało co
najwyżej h cytowań.”

Definicja
Indeksem Hirscha nazywamy funkcję h : [0, ∞)n → [0, ∞) taką, że

max{i : xn+1−i:n > i, i = 1, 2, . . . , n} gdy xn:n > 0,
h(x) =
0 w p.p.

Np. h(5, 4, 3, 3, 3, 1) = 3.
Np. h(10, 10, 10, 10, 0, 0, 0, 0) = 4.

21 / 69
 Wskaźniki bibliometryczne

Indeks Hirscha

„Autor n prac ma indeks o wartości h, jeżeli h jego prac otrzymało

co najmniej h cytowań, a pozostałe z jego n − h prac otrzymało co
najwyżej h cytowań.”

Definicja
Indeksem Hirscha nazywamy funkcję h : [0, ∞)n → [0, ∞) taką, że

max{i : xn+1−i:n > i, i = 1, 2, . . . , n} gdy xn:n > 0,
h(x) =
0 w p.p.

Np. h(5, 4, 3, 3, 3, 1) = 3.
Np. h(10, 10, 10, 10, 0, 0, 0, 0) = 4.

22 / 69
 Problem oceny w interpretacji statystycznej

Interpretacja statystyczna
Rozważmy X = (X1 , . . . , Xn ) i.i.d. F, gdzie F – dystrybuanta ciągła,
ściśle rosnąca na [0, ∞), F(x) = 0 dla x < 0.
Interpretacja:
Xi — ocena jakości i-tego dzieła
F określa zdolności do wytwarzania dzieł o jakości właściwej każdemu
twórcy

Przykład
Dla P2(k, s), k > 0, s > 1
 k
s
F(x) = 1 −
s+x

dla x > 0 (Burrell, 2008; Glänzel, 2008).

23 / 69
 Problem oceny w interpretacji statystycznej

Interpretacja statystyczna
Rozważmy X = (X1 , . . . , Xn ) i.i.d. F, gdzie F – dystrybuanta ciągła,
ściśle rosnąca na [0, ∞), F(x) = 0 dla x < 0.
Interpretacja:
Xi — ocena jakości i-tego dzieła
F określa zdolności do wytwarzania dzieł o jakości właściwej każdemu
twórcy

Przykład
Dla P2(k, s), k > 0, s > 1
 k
s
F(x) = 1 −
s+x

dla x > 0 (Burrell, 2008; Glänzel, 2008).

24 / 69
 Problem oceny w interpretacji statystycznej

Interpretacja statystyczna
Rozważmy X = (X1 , . . . , Xn ) i.i.d. F, gdzie F – dystrybuanta ciągła,
ściśle rosnąca na [0, ∞), F(x) = 0 dla x < 0.
Interpretacja:
Xi — ocena jakości i-tego dzieła
F określa zdolności do wytwarzania dzieł o jakości właściwej każdemu
twórcy

Przykład
Dla P2(k, s), k > 0, s > 1
 k
s
F(x) = 1 −
s+x

dla x > 0 (Burrell, 2008; Glänzel, 2008).

25 / 69
 Problem oceny w interpretacji statystycznej

Definicja
Komplementarną funkcją kwantylową zmiennej losowej
o dystrybuancie F nazywamy funkcję K : (0, 1) → [0, ∞) daną
wzorem
K(x) = (1 − F(x))−1 .

Oczywiście K(x) = R−1 (x).

Definicja
Funkcją kontrolną nazywamy dowolną funkcję κ : [0, 1] → R, która
jest ciągła, niemalejąca i taka, że κ(0) 6 0, κ(1) > 0.

26 / 69
 Problem oceny w interpretacji statystycznej

Definicja
Komplementarną funkcją kwantylową zmiennej losowej
o dystrybuancie F nazywamy funkcję K : (0, 1) → [0, ∞) daną
wzorem
K(x) = (1 − F(x))−1 .

Oczywiście K(x) = R−1 (x).

Definicja
Funkcją kontrolną nazywamy dowolną funkcję κ : [0, 1] → R, która
jest ciągła, niemalejąca i taka, że κ(0) 6 0, κ(1) > 0.

27 / 69
 Problem oceny w interpretacji statystycznej

Definicja
Komplementarną funkcją kwantylową zmiennej losowej
o dystrybuancie F nazywamy funkcję K : (0, 1) → [0, ∞) daną
wzorem
K(x) = (1 − F(x))−1 .

Oczywiście K(x) = R−1 (x).

Definicja
Funkcją kontrolną nazywamy dowolną funkcję κ : [0, 1] → R, która
jest ciągła, niemalejąca i taka, że κ(0) 6 0, κ(1) > 0.

28 / 69
 κ-pozycje i ich estymacja

κ-pozycje
Definicja
κ-pozycją dla rozkładu danego dystrybuantą F przy funkcji kontrolnej
κ nazywamy liczbę pκ ∈ (0, 1) będącą rozwiązaniem równania

κ(pκ ) = K(pκ ).

29 / 69
 κ-pozycje i ich estymacja

Równoważne definicje κ-pozycji:

• κ-pozycją dla rozkładu danego dystrybuantą F nazywamy liczbę

pκ ∈ (0, 1) będącą rozwiązaniem równania
ozn.
1 − pκ = F(κ(pκ )) = F ◦ κ(pκ ).

• κ-pozycją dla rozkładu danego dystrybuantą F nazywamy liczbę

pκ ∈ (0, 1) będącą rozwiązaniem równania

1 − pκ = P(κ−1 (Xi ) 6 pκ ).

Uwaga
Przy podanych założeniach κ-pozycja zawsze istnieje i jest
wyznaczona jednoznacznie.
30 / 69
 κ-pozycje i ich estymacja

Równoważne definicje κ-pozycji:

• κ-pozycją dla rozkładu danego dystrybuantą F nazywamy liczbę

pκ ∈ (0, 1) będącą rozwiązaniem równania
ozn.
1 − pκ = F(κ(pκ )) = F ◦ κ(pκ ).

• κ-pozycją dla rozkładu danego dystrybuantą F nazywamy liczbę

pκ ∈ (0, 1) będącą rozwiązaniem równania

1 − pκ = P(κ−1 (Xi ) 6 pκ ).

Uwaga
Przy podanych założeniach κ-pozycja zawsze istnieje i jest
wyznaczona jednoznacznie.
31 / 69
 κ-pozycje i ich estymacja

Równoważne definicje κ-pozycji:

• κ-pozycją dla rozkładu danego dystrybuantą F nazywamy liczbę

pκ ∈ (0, 1) będącą rozwiązaniem równania
ozn.
1 − pκ = F(κ(pκ )) = F ◦ κ(pκ ).

• κ-pozycją dla rozkładu danego dystrybuantą F nazywamy liczbę

pκ ∈ (0, 1) będącą rozwiązaniem równania

1 − pκ = P(κ−1 (Xi ) 6 pκ ).

Uwaga
Przy podanych założeniach κ-pozycja zawsze istnieje i jest
wyznaczona jednoznacznie.
32 / 69
 κ-pozycje i ich estymacja

Równoważne definicje κ-pozycji:

• κ-pozycją dla rozkładu danego dystrybuantą F nazywamy liczbę

pκ ∈ (0, 1) będącą rozwiązaniem równania
ozn.
1 − pκ = F(κ(pκ )) = F ◦ κ(pκ ).

• κ-pozycją dla rozkładu danego dystrybuantą F nazywamy liczbę

pκ ∈ (0, 1) będącą rozwiązaniem równania

1 − pκ = P(κ−1 (Xi ) 6 pκ ).

Uwaga
Przy podanych założeniach κ-pozycja zawsze istnieje i jest
wyznaczona jednoznacznie.
33 / 69
 κ-pozycje i ich estymacja

Przykład
Dla P2(1, 1) i κ(x) = x zachodzi
√
5−1 1
pκ = = = ϕ − 1 ' 0,618034.
2 ϕ

Przykład
Dla dowolnego F i κ ≡ F−1 zachodzi

pκ = 0,5.

34 / 69
 κ-pozycje i ich estymacja

Przykład
Dla P2(1, 1) i κ(x) = x zachodzi
√
5−1 1
pκ = = = ϕ − 1 ' 0,618034.
2 ϕ

Przykład
Dla dowolnego F i κ ≡ F−1 zachodzi

pκ = 0,5.

35 / 69
 κ-pozycje i ich estymacja

Estymacja κ-pozycji

Definicja
Dyskretnym κ-indeksem pozycyjnym nazywamy statystykę
1
p
bκ (X) = arg max {Xn−i+1:n > κ(i/n)}
n i=0,...,n
1
= arg max {#{Xk : Xk > κ(i/n)} > i} .
n i=0,...,n

36 / 69
 κ-pozycje i ich estymacja

Estymacja κ-pozycji

Definicja
Dyskretnym κ-indeksem pozycyjnym nazywamy statystykę
1
p
bκ (X) = arg max {Xn−i+1:n > κ(i/n)}
n i=0,...,n
1
= arg max {#{Xk : Xk > κ(i/n)} > i} .
n i=0,...,n

37 / 69
 κ-pozycje i ich estymacja

Estymacja κ-pozycji

Lemat 1
Rozkład p
bκ opisany jest dystrybuantą
X
n  h
n  ii h  in−i
Fpb κ (p) = 1− 1 − F ◦ κ bpn+1c
n F ◦ κ bpn+1c
n
i
i=bpn+1c
   
= I F ◦ κ bpn+1c
n ; n − bpnc, bpnc + 1

dla p ∈ (0, 1), przy czym I(p; a, b) oznacza regularyzowaną

niekompletną funkcję beta, natomiast bxc = max{i ∈ Z : i 6 x}.

38 / 69
 κ-pozycje i ich estymacja

Estymacja κ-pozycji

Stwierdzenie 2
bκ jest estymatorem asymptotycznie nieobciążonym pκ oraz
p
bκ → 0.
Var p

Lemat 3
Niech X = (X1 , . . . , Xn ) i.i.d. F. Wówczas dla funkcji kontrolnej
κ(x) = xn zachodzi

bκ (X) = max{i = 0, . . . , n : Xn−i+1:n > i}.

h(X) = n p

39 / 69
 κ-pozycje i ich estymacja

Estymacja κ-pozycji

Stwierdzenie 2
bκ jest estymatorem asymptotycznie nieobciążonym pκ oraz
p
bκ → 0.
Var p

Lemat 3
Niech X = (X1 , . . . , Xn ) i.i.d. F. Wówczas dla funkcji kontrolnej
κ(x) = xn zachodzi

bκ (X) = max{i = 0, . . . , n : Xn−i+1:n > i}.

h(X) = n p

40 / 69
 κ-pozycje i ich estymacja

Estymacja κ-pozycji

Stwierdzenie 4 (O aproksymacji)
Jeśli F ◦ κ jest funkcją analityczną w punkcie pκ i dla każdego p
w dowolnie małym otoczeniu pκ zachodzi (p − pκ )2 (F ◦ κ) 00 (p) ' 0
oraz (p − pκ ) δ (1 − 2pκ + (p − pκ ) δ) ' 0, to dla n → ∞
 
p − pκ 
Fpb κ (p) ' Φ  q ,
pκ (1−pκ )
n (1+δ)2

gdzie δ := (F ◦ κ) 0 (pκ ) = f(κ(pκ )) κ 0 (pκ ), a Φ jest dystrybuantą

N(0, 1).

41 / 69
 Testy do porównywania dwóch prób

Testy do porównywania dwóch prób

X — n-elementowa próba i.i.d. F.

Y — n-elementowa próba i.i.d. G.

Jesteśmy zainteresowani konstrukcją (nieparametrycznego) testu ϕ

na poziomie istotności α do weryfikacji

H0 : F = G

względem
K : F  G.

42 / 69
 Testy do porównywania dwóch prób

Testy do porównywania dwóch prób

X — n-elementowa próba i.i.d. F.

Y — n-elementowa próba i.i.d. G.

Jesteśmy zainteresowani konstrukcją (nieparametrycznego) testu ϕ

na poziomie istotności α do weryfikacji

H0 : F = G

względem
K : F  G.

43 / 69
 Testy do porównywania dwóch prób

Dla F = G i dostatecznie dużych n mamy

n
r
T= (b bκ (Y)) ∼ N (0, 1) ,
pκ (X) − p
2σ2κ,F

gdzie
pκ,F (1 − pκ,F )
σ2κ,F =
(1 + δκ,F )2
oraz δκ,F := (F ◦ κ) 0 (pκ,F ).

H0 odrzucamy, gdy T > z1−α .

44 / 69
 Testy do porównywania dwóch prób

Dalej F — dystrybuanta P2(k1 , s), G — dystrybuanta P2(k2 , s).

s > 1 — ustalone (znane).

Mamy k1 < k2 ⇒ F  G.

κ(x) = nx („indeks Hirscha”).

45 / 69
 Testy do porównywania dwóch prób

Dalej F — dystrybuanta P2(k1 , s), G — dystrybuanta P2(k2 , s).

s > 1 — ustalone (znane).

Mamy k1 < k2 ⇒ F  G.

κ(x) = nx („indeks Hirscha”).

46 / 69
 Testy do porównywania dwóch prób

Dalej F — dystrybuanta P2(k1 , s), G — dystrybuanta P2(k2 , s).

s > 1 — ustalone (znane).

Mamy k1 < k2 ⇒ F  G.

κ(x) = nx („indeks Hirscha”).

47 / 69
 Testy do porównywania dwóch prób

Testy do porównania:
1 Test Manna-Whitney’a-Wilcoxona,

2 Test Kołmogorowa-Smirnowa,

3 Test parametryczny oparty na ilorazie wiarogodności.

Statystyka testowa
Pn
ln (s + Xi ) − nln s H0 [2n,2n]
T = Pi=1n ∼ F .
i=1 ln (s + Yi ) − nln s

[2n,2n]
H0 odrzucamy, gdy T > F1−α .

48 / 69
 Testy do porównywania dwóch prób

Testy do porównania:
1 Test Manna-Whitney’a-Wilcoxona,

2 Test Kołmogorowa-Smirnowa,

3 Test parametryczny oparty na ilorazie wiarogodności.

Statystyka testowa
Pn
ln (s + Xi ) − nln s H0 [2n,2n]
T = Pi=1n ∼ F .
i=1 ln (s + Yi ) − nln s

[2n,2n]
H0 odrzucamy, gdy T > F1−α .

49 / 69
 Testy do porównywania dwóch prób

Testy do porównania:
1 Test Manna-Whitney’a-Wilcoxona,

2 Test Kołmogorowa-Smirnowa,

3 Test parametryczny oparty na ilorazie wiarogodności.

Statystyka testowa
Pn
ln (s + Xi ) − nln s H0 [2n,2n]
T = Pi=1n ∼ F .
i=1 ln (s + Yi ) − nln s

[2n,2n]
H0 odrzucamy, gdy T > F1−α .

50 / 69
 Testy do porównywania dwóch prób

Testy do porównania:
1 Test Manna-Whitney’a-Wilcoxona,

2 Test Kołmogorowa-Smirnowa,

3 Test parametryczny oparty na ilorazie wiarogodności.

Statystyka testowa
Pn
ln (s + Xi ) − nln s H0 [2n,2n]
T = Pi=1n ∼ F .
i=1 ln (s + Yi ) − nln s

[2n,2n]
H0 odrzucamy, gdy T > F1−α .

51 / 69
 Testy do porównywania dwóch prób

k1=1, s=2, n=10, MC=10000, alpha=0.05

1.0
0.8
0.6
Power

0.4

Hirsch
0.2

Mann−Whitney
K−S
LR−param
0.0

1.0 1.5 2.0 2.5 3.0

k2
52 / 69
 Testy do porównywania dwóch prób

k1=1, s=2, n=20, MC=10000, alpha=0.05

1.0
0.8
0.6
Power

0.4

Hirsch
0.2

Mann−Whitney
K−S
LR−param
0.0

1.0 1.5 2.0 2.5 3.0

k2
53 / 69
 Testy do porównywania dwóch prób

k1=1, s=2, n=50, MC=10000, alpha=0.05

1.0
0.8
0.6
Power

0.4

Hirsch
0.2

Mann−Whitney
K−S
LR−param
0.0

1.0 1.5 2.0 2.5 3.0

k2
54 / 69
 Testy do porównywania dwóch prób

k1=1, s=2, n=100, MC=10000, alpha=0.05

1.0
0.8
0.6
Power

0.4

Hirsch
0.2

Mann−Whitney
K−S
LR−param
0.0

1.0 1.5 2.0 2.5 3.0

k2
55 / 69
 Testy do porównywania dwóch prób

k1=1, s=2, n=250, MC=10000, alpha=0.05

1.0
0.8
0.6
Power

0.4

Hirsch
0.2

Mann−Whitney
K−S
LR−param
0.0

1.0 1.5 2.0 2.5 3.0

k2
56 / 69
 Testy do porównywania dwóch prób

k1=0.3, s=5, n=10, MC=10000, alpha=0.05

1.0
0.8
0.6
Power

0.4

Hirsch
0.2

Mann−Whitney
K−S
LR−param
0.0

0.5 1.0 1.5 2.0

k2
57 / 69
 Testy do porównywania dwóch prób

k1=0.3, s=5, n=20, MC=10000, alpha=0.05

1.0
0.8
0.6
Power

0.4

Hirsch
0.2

Mann−Whitney
K−S
LR−param
0.0

0.5 1.0 1.5 2.0

k2
58 / 69
 Testy do porównywania dwóch prób

k1=0.3, s=5, n=50, MC=10000, alpha=0.05

1.0
0.8
0.6
Power

0.4

Hirsch
0.2

Mann−Whitney
K−S
LR−param
0.0

0.5 1.0 1.5 2.0

k2
59 / 69
 Testy do porównywania dwóch prób

k1=0.3, s=5, n=100, MC=10000, alpha=0.05

1.0
0.8
0.6
Power

0.4

Hirsch
0.2

Mann−Whitney
K−S
LR−param
0.0

0.5 1.0 1.5 2.0

k2
60 / 69
 Testy do porównywania dwóch prób

k1=0.3, s=5, n=250, MC=10000, alpha=0.05

1.0
0.8
0.6
Power

0.4

Hirsch
0.2

Mann−Whitney
K−S
LR−param
0.0

0.5 1.0 1.5 2.0

k2
61 / 69
 Testy do porównywania dwóch prób

Podsumowanie i problemy otwarte

• Jakie własności statystyczne miałyby estymatory κ-pozycji

zbudowane dla innych funkcji kontrolnych κ?
• Czy testy budowane na tych estymatorach miałyby lepszą moc
niż test wykorzystujący estymator rozważany w tej pracy?
• Dla jakiej funkcji kontrolnej (być może z określonej rodziny
funkcji) otrzymalibyśmy test o maksymalnej mocy?
• ......

62 / 69
 Testy do porównywania dwóch prób

Podsumowanie i problemy otwarte

• Jakie własności statystyczne miałyby estymatory κ-pozycji

zbudowane dla innych funkcji kontrolnych κ?
• Czy testy budowane na tych estymatorach miałyby lepszą moc
niż test wykorzystujący estymator rozważany w tej pracy?
• Dla jakiej funkcji kontrolnej (być może z określonej rodziny
funkcji) otrzymalibyśmy test o maksymalnej mocy?
• ......

63 / 69
 Testy do porównywania dwóch prób

Podsumowanie i problemy otwarte

• Jakie własności statystyczne miałyby estymatory κ-pozycji

zbudowane dla innych funkcji kontrolnych κ?
• Czy testy budowane na tych estymatorach miałyby lepszą moc
niż test wykorzystujący estymator rozważany w tej pracy?
• Dla jakiej funkcji kontrolnej (być może z określonej rodziny
funkcji) otrzymalibyśmy test o maksymalnej mocy?
• ......

64 / 69
 Testy do porównywania dwóch prób

Podsumowanie i problemy otwarte

• Jakie własności statystyczne miałyby estymatory κ-pozycji

zbudowane dla innych funkcji kontrolnych κ?
• Czy testy budowane na tych estymatorach miałyby lepszą moc
niż test wykorzystujący estymator rozważany w tej pracy?
• Dla jakiej funkcji kontrolnej (być może z określonej rodziny
funkcji) otrzymalibyśmy test o maksymalnej mocy?
• ......

65 / 69
 Testy do porównywania dwóch prób

Podsumowanie i problemy otwarte

• Jakie własności statystyczne miałyby estymatory κ-pozycji

zbudowane dla innych funkcji kontrolnych κ?
• Czy testy budowane na tych estymatorach miałyby lepszą moc
niż test wykorzystujący estymator rozważany w tej pracy?
• Dla jakiej funkcji kontrolnej (być może z określonej rodziny
funkcji) otrzymalibyśmy test o maksymalnej mocy?
• ......

66 / 69
Testy do porównywania dwóch prób

Dziękujemy za uwagę.

67 / 69
 Testy do porównywania dwóch prób

Literatura

• Q. Burrell. On the h-index, the size of the Hirsch core and Jin’s
A-index. Journal of Informetrics 1, 170–177.
• Q. Burrell (2008). Extending Lotkaian informetrics. Information
Processing & Management 44, 1794–1807.
• A. DasGupta (2008). Asymptotic theory of statistics and
probability. Springer Verlag, New York.
• W. Glänzel (2008). On some new bibliometric applications of
statistics related to the h-index. Scientometrics 77(1), 187–196.
• L. Egghe (2006). Theory and practise of the g-index.
Scientometrics 69(1), 131–152.

68 / 69
 Testy do porównywania dwóch prób

• M. Gągolewski, P. Grzegorzewski (2009). A geometric approach

to the construction of scientific impact indices. Scientometrics
81(3), 617–634.
• M. Grabisch, E. Pap, J. Marichal, R. Mesiar (2009).
Aggregation Functions, Cambridge.
• J. E. Hirsch (2005). An index to quantify individual’s scientific
research output. PNAS 102(46), 16569–16572.
• R. J. Hyndman, Y. Fan (1996). Sample quantiles in statistical
packages. American Statistician, 50(4), 361–365.
• G. J. Woeginger (2008). An axiomatic characterization of the
Hirsch-index. Mathematical Social Sciences 56(2), 224–232.

69 / 69