似然比检验

似然比检验

小象实战讲义 · 数据科学的统计基础

在学习了显著性检验和正态总体参数的检验后，我们面临一个核心问题：对于更一般的假设检验问题（例如原假设是参数属于某个区间），如何系统性地构造检验统计量？本节介绍的似然比检验提供了一种统一且强大的框架。它基于极大似然估计的思想，能够处理任意分布族和任意形式的原假设，是实践中应用最广泛的检验方法之一。学完本节，你将掌握一种“万能”的检验构造工具，并能将其应用于正态与非正态总体的各类检验问题。

💡 核心导读

• 为何需要似然比检验：回顾传统检验方法在构造统计量时的“经验性”与“非系统性”，引出对更一般化检验方法的需求。
• 似然比统计量的定义与思想：理解“在原假设参数空间与全参数空间上最大化似然函数之比”的核心构造，并掌握其统计含义——比值越小，越倾向于拒绝原假设。
• 似然比检验的步骤与优点：掌握从写出似然函数、求极值到构造拒绝域的标准流程，并理解其“统一构造方法”、“拒绝域方向明确”、“适用性广”三大优势。
• 关键技巧：寻找单调统计量：学习当似然比统计量分布未知时，如何通过寻找其单调函数（如常见的 $t$、$F$、卡方统计量）来等价地确定拒绝域。
• 大样本理论：Wilks定理：了解在大样本下，$-2\ln\lambda$ 近似服从卡方分布的重要结论，这是许多拟合优度检验（如第五章的皮尔逊卡方检验）的理论基础。

从传统检验到一般化问题

在之前的章节中，无论是Fisher的显著性检验还是针对正态总体参数的检验，构造一个检验的核心在于两点：

1. 推导出检验统计量 $T$，并知道其在原假设 $H_0$ 成立条件下的分布（即“零分布”）。
2. 根据实际问题（$H_0$ 与 $H_1$ 的形式）确定拒绝域 $W$。

其中，确定拒绝域 $W$ 的方向（如 $|T|>c$ 还是 $T>c$）通常比较容易，但构造合适的检验统计量 $T$ 并推导其零分布则相对困难。以往的方法大多依赖于对参数估计量的直观构造（如用样本均值构造 $U$ 统计量，用样本方差构造 $\chi^2$ 统计量），这个过程缺乏系统性，更多地依赖经验和直觉。

更重要的是，之前讨论的假设检验问题，其原假设大多是“特定点”或“单边”的形式，例如：

• $H_0: \mu = \mu_0$ vs $H_1: \mu \ne \mu_0$
• $H_0: \mu \le \mu_0$ vs $H_1: \mu > \mu_0$

然而，更一般的假设检验问题可以表述为： $$H_0: \theta \in \Theta_0 \quad \text{vs} \quad H_1: \theta \in \Theta_1$$ 其中，$\Theta_0$ 和 $\Theta_1$ 是参数空间 $\Theta$ 的两个不相交子集，且 $\Theta_0 \cup \Theta_1 = \Theta$。这里的 $\Theta_0$ 可以是一个区间，例如 $H_0: \theta_1 \le \theta \le \theta_2$。对于这种一般形式的假设，传统的显著性检验方法很难直接确定其拒绝域。

似然比检验正是为了解决上述问题而提出的。它提供了一种统一的、系统化的方法来构造检验统计量，并且其拒绝域的方向是天然确定的。

似然比检验的原理与定义

似然比统计量

设 $X_1, X_2, \ldots, X_n$ 是来自分布族 ${f(x;\theta): \theta \in \Theta}$ 的独立同分布样本。考虑一般的假设检验问题： $$H_0: \theta \in \Theta_0 \quad \text{vs} \quad H_1: \theta \in \Theta_1 = \Theta - \Theta_0$$

似然比统计量 $\lambda(\mathbf{x})$ 定义为： $$\lambda(\mathbf{x}) = \frac{\sup_{\theta \in \Theta_0} L(\theta; \mathbf{x})}{\sup_{\theta \in \Theta} L(\theta; \mathbf{x})}$$ 其中 $L(\theta; \mathbf{x}) = \prod_{i=1}^n f(x_i; \theta)$ 是样本的似然函数。

• 分子：在原假设 $H_0$ 所限制的参数区域 $\Theta_0$ 上，似然函数所能达到的最大值。这可以理解为，在 $H_0$ 的约束下，我们能为观测数据找到的“最佳解释”的似然度。
• 分母：在整个参数空间 $\Theta$ 上，似然函数所能达到的最大值。这就是通常的（无约束）极大似然估计对应的似然度，是数据在所有可能参数下能得到的最“佳”解释。

显然，由于 $\Theta_0 \subseteq \Theta$，分母的最大值至少不小于分子的最大值，因此总有 $0 \le \lambda(\mathbf{x}) \le 1$。

似然比检验的思想

$\lambda(\mathbf{x})$ 的值越小，意味着什么？

• 分母（全空间最大似然）是固定的。
• 分子（$H_0$ 约束下最大似然）很小。
• 这表明：在原假设 $H_0$ 的框架下，我们观测到当前样本的可能性非常低。或者说，数据更支持那些不在 $\Theta_0$ 中的参数值（即备择假设 $H_1$）。

因此，一个直观的检验法则是：当 $\lambda(\mathbf{x})$ 小到一定程度时，我们就有理由拒绝原假设 $H_0$。

似然比检验的定义

基于上述思想，我们定义水平为 $\alpha$ 的似然比检验： 其拒绝域为 $$W = {\mathbf{x}: \lambda(\mathbf{x}) \le c}$$ 其中临界值 $c$ $(0 \le c \le 1)$ 由下式确定，以控制第一类错误概率不超过 $\alpha$： $$\sup_{\theta \in \Theta_0} P_\theta(\lambda(\mathbf{X}) \le c) \le \alpha$$

似然比检验的三大优点：

1. 假设形式一般化：可以处理 $H_0: \theta \in \Theta_0$ 这种非常一般的假设形式。
2. 检验统计量明确：直接给出了检验统计量 $\lambda(\mathbf{x})$，无需额外构造。
3. 拒绝域方向明确：拒绝域总是 ${\lambda \le c}$ 的形式，我们只需要确定临界值 $c$。

似然比检验的实践：关键技巧与案例

在实际应用中，直接使用 $\lambda(\mathbf{x})$ 进行检验可能会遇到一个困难：$\lambda(\mathbf{X})$ 在原假设下的精确分布（零分布）通常难以求得，从而无法确定临界值 $c$。

解决这一问题的关键技巧是：寻找一个与 $\lambda$ 单调相关的、其分布已知的统计量 $T$。

技巧：利用单调变换

假设存在一个统计量 $T = T(\mathbf{X})$，使得 $\lambda(\mathbf{X})$ 是 $T$ 的单调函数。例如，若 $\lambda$ 是 $T$ 的单调递减函数，那么事件 ${\lambda \le c}$ 就等价于事件 ${T \ge d}$（其中 $d$ 是某个由 $c$ 决定的常数）。由于 $T$ 的零分布已知（或更易求得），我们就可以转而利用 $T$ 来构造拒绝域，并确定相应的临界值 $d$。

许多常见的检验统计量，如 $U$ 统计量、$t$ 统计量、$F$ 统计量、卡方统计量，正是通过这种方式从似然比中推导出来的。

下面通过三个典型案例来演示似然比检验的应用流程和上述技巧。

案例一：单正态总体均值的双边检验

问题：设 $X_1, \ldots, X_n \stackrel{\text{i.i.d.}}{\sim} N(\mu, \sigma^2)$，其中 $\mu, \sigma^2$ 均未知。求检验问题 $H_0: \mu = \mu_0$ vs $H_1: \mu \ne \mu_0$ 的水平为 $\alpha$ 的似然比检验。

求解步骤：

1. 写出似然函数： $$L(\mu, \sigma^2; \mathbf{x}) = (2\pi\sigma^2)^{-n/2} \exp\left{-\frac{1}{2\sigma^2}\sum_{i=1}^n (x_i - \mu)^2\right}$$ 参数空间：$\Theta = {(\mu, \sigma^2): \mu \in \mathbb{R}, \sigma^2 > 0}$。 原假设空间：$\Theta_0 = {(\mu_0, \sigma^2): \sigma^2 > 0}$。

2. 求分母的极大值（全空间MLE）： 正态分布的极大似然估计为 $\hat{\mu} = \bar{x}$, $\hat{\sigma}^2 = \frac{1}{n}\sum_{i=1}^n (x_i - \bar{x})^2$。代入得： $$\sup_{\Theta} L = (2\pi \hat{\sigma}^2)^{-n/2} e^{-n/2}$$

3. 求分子的极大值（$H_0$约束下的MLE）： 在 $H_0$ 下，$\mu$ 固定为 $\mu_0$，只需对 $\sigma^2$ 求极大。易得约束下的MLE为 $\tilde{\sigma}^2 = \frac{1}{n}\sum_{i=1}^n (x_i - \mu_0)^2$。代入得： $$\sup_{\Theta_0} L = (2\pi \tilde{\sigma}^2)^{-n/2} e^{-n/2}$$

4. 构造似然比统计量： $$\lambda(\mathbf{x}) = \frac{\sup_{\Theta_0} L}{\sup_{\Theta} L} = \left( \frac{\hat{\sigma}^2}{\tilde{\sigma}^2} \right)^{n/2} = \left( \frac{\sum (x_i - \bar{x})^2}{\sum (x_i - \mu_0)^2} \right)^{n/2}$$

5. 化简并寻找单调统计量： 经过代数变形（具体过程略），可以得到： $$\lambda(\mathbf{x}) = \left( 1 + \frac{t^2}{n-1} \right)^{-n/2}$$ 其中 $t = \frac{\bar{x} - \mu_0}{s / \sqrt{n}}$，而 $s^2 = \frac{1}{n-1}\sum (x_i - \bar{x})^2$ 为样本方差。这正是我们熟悉的 $t$ 统计量。 观察函数 $f(t) = (1 + \frac{t^2}{n-1})^{-n/2}$，它是 $|t|$ 的单调递减函数。

6. 确定拒绝域： 由于 $\lambda \le c$ 等价于 $|t| \ge d$（其中 $d$ 由 $c$ 决定）。而我们知道，当 $H_0$ 成立时，$t \sim t(n-1)$。因此，为了控制第一类错误为 $\alpha$，我们取 $d = t_{\alpha/2}(n-1)$，即 $t$ 分布的上 $\alpha/2$ 分位数。 最终拒绝域为： $$W = {\mathbf{x}: |t| \ge t_{\alpha/2}(n-1)}$$ 这正是我们熟知的双边 $t$ 检验。此例表明，对于正态均值双边检验，似然比检验与传统的 $t$ 检验完全等价。

import numpy as np
import scipy.stats as stats

# 案例一：单正态总体均值双边检验的模拟验证
np.random.seed(321)  # 固定随机种子
mu0 = 5.0            # 原假设均值
sigma = 2.0          # 总体标准差（未知）
n = 30               # 样本量
alpha = 0.05         # 显著性水平

# 生成一组样本（假设真实均值为5.5，即H0不成立）
true_mu = 5.5
sample = np.random.normal(loc=true_mu, scale=sigma, size=n)

# 计算样本统计量
x_bar = np.mean(sample)
s = np.std(sample, ddof=1)  # 样本标准差，无偏估计
t_stat = (x_bar - mu0) / (s / np.sqrt(n))

# 计算临界值
t_critical = stats.t.ppf(1 - alpha/2, df=n-1)

# 计算p值（双边）
p_value = 2 * (1 - stats.t.cdf(abs(t_stat), df=n-1))

print("案例一：单正态总体均值双边检验")
print(f"样本均值 x̄ = {x_bar:.4f}")
print(f"样本标准差 s = {s:.4f}")
print(f"t 统计量 = {t_stat:.4f}")
print(f"t 临界值 (α={alpha}) = ±{t_critical:.4f}")
print(f"p 值 = {p_value:.4f}")
if abs(t_stat) > t_critical:
    print("结论：拒绝原假设 H0 (μ = μ0)")
else:
    print("结论：不拒绝原假设 H0")
print("-" * 50)

案例二：指数分布尺度参数的检验

问题：设 $X_1, \ldots, X_n \stackrel{\text{i.i.d.}}{\sim} f(x;\theta) = \theta e^{-\theta x}, x>0$，其中 $\theta > 0$ 未知。求检验问题 $H_0: \theta = \theta_0$ vs $H_1: \theta \ne \theta_0$ 的水平为 $\alpha$ 的似然比检验。

求解步骤：

1. 写出似然函数： $$L(\theta; \mathbf{x}) = \theta^n \exp\left(-\theta \sum_{i=1}^n x_i\right), \quad x_i > 0$$ 参数空间：$\Theta = {\theta: \theta > 0}$。 原假设空间：$\Theta_0 = {\theta_0}$。

2. 求分母的极大值（全空间MLE）： 指数分布的MLE为 $\hat{\theta} = \frac{1}{\bar{x}}$。代入得： $$\sup_{\Theta} L = \left(\frac{1}{\bar{x}}\right)^n \exp(-n)$$

3. 求分子的极大值（$H_0$约束下的MLE）： $\Theta_0$ 只有一个点 $\theta_0$，直接代入： $$\sup_{\Theta_0} L = \theta_0^n \exp\left(-\theta_0 n\bar{x}\right)$$

4. 构造似然比统计量： $$\lambda(\mathbf{x}) = \frac{\theta_0^n e^{-\theta_0 n\bar{x}}}{(1/\bar{x})^n e^{-n}} = (\theta_0 \bar{x})^n e^{n(1 - \theta_0 \bar{x})}$$

5. 化简并寻找单调统计量： 观察 $\lambda(\mathbf{x})$ 的结构：令 $u = \theta_0 \bar{x}$，则 $\lambda = u^n e^{n(1-u)}$。对它求导可知，$\lambda$ 在 $u = 1$（即 $\bar{x} = 1/\theta_0$，恰为 MLE 处）取得最大值 1；当 $u < 1$ 时单调递增，当 $u > 1$ 时单调递减。也就是说，$\lambda$ 是 $\bar{X}$ 的单峰函数，而非单调函数。 因此，拒绝域 ${\lambda \le c}$ 具有双侧形式 ${\bar{X} \le d_1} \cup {\bar{X} \ge d_2}$（$d_1 < d_2$ 由 $c$ 决定）。一个更常用的变换是考虑 $2n\theta_0 \bar{X}$。可以证明，在原假设 $H_0: \theta = \theta_0$ 下，统计量 $2n\theta_0 \bar{X} \sim \chi^2(2n)$（由 $\bar{X}$ 服从 Gamma 分布易得）。

6. 确定拒绝域： 由于 $\lambda$ 是 $2n\theta_0 \bar{X}$ 的单峰函数，拒绝域 ${\lambda \le c}$ 等价于 ${2n\theta_0 \bar{X} \le c_1} \cup {2n\theta_0 \bar{X} \ge c_2}$。实践中按等尾原则取 $c_1 = \chi^2_{1-\alpha/2}(2n)$、$c_2 = \chi^2_{\alpha/2}(2n)$，其中 $\chi^2_{\alpha}(2n)$ 是自由度为 $2n$ 的卡方分布的上 $\alpha$ 分位数。 最终拒绝域为： $$W = {\mathbf{x}: 2n\theta_0 \bar{x} \le \chi^2_{1-\alpha/2}(2n) \ \text{或} \ 2n\theta_0 \bar{x} \ge \chi^2_{\alpha/2}(2n)}$$ 此例展示了如何将非正态总体（指数分布）的检验问题，通过似然比方法转化为一个卡方检验。

案例三：多项分布概率的检验（通向拟合优度检验）

问题：设 $(X_1, \ldots, X_n)$ 为来自多项分布 $M(n; p_1, \ldots, p_r)$ 的样本，其中 $\sum_{i=1}^r p_i = 1$，$p_i > 0$。令 $n_i$ 表示 $n$ 次试验中结果 $i$ 出现的次数。考虑检验 $H_0: p_i = p_{i0}, i=1,\ldots,r$ vs $H_1: \text{至少有一个 } p_i \ne p_{i0}$，其中 $p_{i0}$ 是已知的一组概率值。

求解步骤：

1. 写出似然函数： $$L(p_1, \ldots, p_r; \mathbf{n}) = \frac{n!}{n_1! \cdots n_r!} p_1^{n_1} \cdots p_r^{n_r}$$ 参数空间：$\Theta = {(p_1, \ldots, p_r): p_i > 0, \sum p_i = 1}$。 原假设空间：$\Theta_0 = {(p_{10}, \ldots, p_{r0})}$。

2. 求分母的极大值（全空间MLE）： 多项分布的MLE为 $\hat{p}$i = n_i / np^​i​=ni​/n。代入得： $$\sup$${\Theta} L = \frac{n!}{n_1! \cdots n_r!} \left(\frac{n_1}{n}\right)^{n_1} \cdots \left(\frac{n_r}{n}\right)^{n_r}

3. 求分子的极大值（$H_0$约束下的MLE）： 直接代入 $p_i = p_{i0}$： $$\sup_{\Theta_0} L = \frac{n!}{n_1! \cdots n_r!} p_{10}^{n_1} \cdots p_{r0}^{n_r}$$

4. 构造似然比统计量： $$\lambda = \frac{p_{10}^{n_1} \cdots p_{r0}^{n_r}}{(n_1/n)^{n_1} \cdots (n_r/n)^{n_r}}$$

5. 取对数并寻找渐近分布： 考虑 $-2\ln \lambda$： $$-2\ln \lambda = 2 \sum_{i=1}^r n_i \ln\left(\frac{n_i}{n p_{i0}}\right)$$ 这是一个非常重要的统计量。Wilks定理指出，在大样本下（$n \to \infty$），当 $H_0$ 成立时，$-2\ln \lambda$ 近似服从自由度为 $r-1$ 的卡方分布，即 $-2\ln \lambda \stackrel{\cdot}{\sim} \chi^2(r-1)$。

6. 确定拒绝域（大样本近似）： 由于 $-2\ln \lambda$ 是 $\lambda$ 的严格单调递减函数，拒绝域 ${\lambda \le c}$ 等价于 ${-2\ln \lambda \ge d}$。 利用渐近分布，取 $d = \chi^2_{\alpha}(r-1)$。 最终拒绝域为： $$W = {\mathbf{n}: -2 \sum_{i=1}^r n_i \ln\left(\frac{n_i}{n p_{i0}}\right) \ge \chi^2_{\alpha}(r-1)}$$ 这正是似然比卡方检验。与之紧密相关的另一个著名统计量是 Pearson卡方统计量： $$\chi^2 = \sum_{i=1}^r \frac{(n_i - n p_{i0})^2}{n p_{i0}}$$ 在大样本下，它与 $-2\ln \lambda$ 有相同的渐近分布 $\chi^2(r-1)$。Pearson卡方统计量就是第五章将要详细讨论的拟合优度检验的核心。本例揭示了似然比检验与拟合优度检验之间的深刻联系。

# 案例三：多项分布概率检验的模拟验证 (Wilks定理)
np.random.seed(321)
# 原假设：三种产品的市场占有率分别为 1/3, 1/3, 1/3
p0 = np.array([1/3, 1/3, 1/3])
# 模拟抽样：实际调查了200名消费者，真实偏好可能略有不同
true_p = np.array([0.40, 0.35, 0.25])  # 真实概率
n = 200
# 生成多项分布样本（观测频数）
observed_counts = np.random.multinomial(n, true_p)

# 计算期望频数
expected_counts = n * p0

# 计算似然比统计量 -2lnλ
lr_stat = 2 * np.sum(observed_counts * np.log(observed_counts / expected_counts))
# 计算Pearson卡方统计量
pearson_stat = np.sum((observed_counts - expected_counts)**2 / expected_counts)

# 临界值 (α=0.05, df=3-1=2)
chi2_critical = stats.chi2.ppf(0.95, df=2)
# p值
lr_pvalue = 1 - stats.chi2.cdf(lr_stat, df=2)
pearson_pvalue = 1 - stats.chi2.cdf(pearson_stat, df=2)

print("案例三：多项分布概率检验（拟合优度）")
print(f"观测频数: {observed_counts}")
print(f"期望频数: {expected_counts}")
print(f"似然比统计量 -2lnλ = {lr_stat:.4f}")
print(f"Pearson卡方统计量 χ² = {pearson_stat:.4f}")
print(f"卡方临界值 (α=0.05, df=2) = {chi2_critical:.4f}")
print(f"-2lnλ 的 p 值 = {lr_pvalue:.4f}")
print(f"Pearson χ² 的 p 值 = {pearson_pvalue:.4f}")
if lr_stat > chi2_critical:
    print("结论（基于-2lnλ）：拒绝原假设，认为市场占有率不是均等的。")
else:
    print("结论（基于-2lnλ）：不拒绝原假设。")
print("-" * 50)

📝 动手练一练

1. 单正态总体方差检验：设 $X_1, \ldots, X_n \stackrel{\text{i.i.d.}}{\sim} N(\mu, \sigma^2)$，其中 $\mu$ 已知。考虑检验 $H_0: \sigma^2 = \sigma_0^2$ vs $H_1: \sigma^2 \ne \sigma_0^2$。 a) 请写出该问题的似然比统计量 $\lambda(\mathbf{x})$。 b) 证明 $\lambda(\mathbf{x})$ 是统计量 $T = \frac{\sum_{i=1}^n (X_i - \mu)^2}{\sigma_0^2}$ 的单调函数，并指出其单调性。 c) 利用 $T$ 的分布（在原假设下），写出水平为 $\alpha$ 的似然比检验的拒绝域。

2. 大样本似然比检验应用：一项关于消费者对三种新包装偏好的调查中，随机抽取了200人，选择包装A、B、C的人数分别为85、70、45。商家想检验消费者对三种包装的偏好是否均等（即 $H_0: p_A = p_B = p_C = 1/3$）。 a) 计算该检验问题的似然比统计量 $-2\ln\lambda$。 b) 计算对应的Pearson卡方统计量。 c) 在 $\alpha=0.05$ 水平下，根据卡方分布做出检验决策。

参考答案：

1. a) $\lambda(\mathbf{x}) = \left( \frac{\sum (x_i - \mu)^2}{n\sigma_0^2} \right)^{n/2} \exp\left{ \frac{n}{2} - \frac{\sum (x_i - \mu)^2}{2\sigma_0^2} \right}$。 b) 令 $t = \sum (x_i - \mu)^2 / \sigma_0^2$，则 $\lambda = (t/n)^{n/2} e^{n/2 - t/2}$。可以证明 $\lambda$ 是 $t$ 的单峰函数，当 $t < n$ 时单调增，当 $t > n$ 时单调减。拒绝域 ${\lambda \le c}$ 等价于 ${t \le c_1} \cup {t \ge c_2}$。 c) 由于 $T \sim \chi^2(n)$，拒绝域为：${T \le \chi^2_{1-\alpha/2}(n)} \cup {T \ge \chi^2_{\alpha/2}(n)}$。

2. a) $-2\ln\lambda = 2[85\ln(85/(200/3)) + 70\ln(70/(200/3)) + 45\ln(45/(200/3))] \approx 12.76$。 b) Pearson卡方统计量：$\chi^2 = \frac{(85-200/3)^2}{200/3} + \frac{(70-200/3)^2}{200/3} + \frac{(45-200/3)^2}{200/3} \approx 12.25$。 c) 自由度 $df = 3-1 = 2$，$\chi^2_{0.05}(2) = 5.99$。由于 $12.76 > 5.99$ 且 $12.25 > 5.99$，两个统计量均拒绝原假设，认为消费者对三种包装的偏好不是均等的。

本章小结

本节系统介绍了假设检验中一个极其重要且实用的方法——似然比检验。

要点回顾：

• 动机：为解决一般性假设检验问题（$H_0: \theta \in \Theta_0$）提供统一的检验统计量构造方法。
• 核心：似然比统计量 $\lambda = \frac{\sup_{\Theta_0} L(\theta)}{\sup_{\Theta} L(\theta)}$，其值越小，数据越不支持原假设。
• 检验定义：拒绝域为 ${\lambda \le c}$，$c$ 由控制第一类错误概率 $\le \alpha$ 确定。
• 实践技巧：当 $\lambda$ 的精确分布未知时，寻找一个与之单调相关、分布已知的统计量（如 $t$, $F$, $\chi^2$）来等价构造检验；当 $\lambda$ 是某统计量的单峰函数时（如案例二与练习题1），拒绝域为双侧形式。
• 大样本理论：Wilks定理保证了在正则条件下，$-2\ln\lambda \stackrel{\cdot}{\sim} \chi^2(\text{df})$，其中自由度 $\text{df} = \dim(\Theta) - \dim(\Theta_0)$。这是许多拟合优度检验的理论基石。
• 广泛应用：从正态总体到非正态总体（如指数分布、多项分布），从连续数据到离散数据，似然比检验都提供了可行的检验路径。

行动清单：

1. 掌握标准流程：面对一个参数检验问题，尝试按照“写似然函数 → 求约束/无约束MLE → 构造 $\lambda$ → 化简找单调统计量 → 利用已知分布定拒绝域”的步骤进行推导。
2. 代码验证：使用Python的scipy.stats模块，对你推导出的检验统计量进行模拟抽样，验证其分布（尤其是零分布）是否与理论一致，并计算实际的检验功效。
3. 联系前后知识：理解似然比检验与极大似然估计的思想关联，并预习第五章，了解基于似然比渐近分布的卡方检验如何用于分布的拟合优度检验。

— 小象教研组