Run-Test

aus Wikipedia, der freien Enzyklopädie
Wechseln zu: Navigation, Suche

Der Run- oder Runs-Test (auch Wald-Wolfowitz-Test, nach Abraham Wald und Jacob Wolfowitz, Iterationstest oder Geary-Test) ist ein nichtparametrischer Test auf Zufälligkeit einer Folge. Ausgegangen wird von einem Urnenmodell mit zwei Sorten Kugeln (dichotomen Grundgesamtheit). Es werden n Kugeln entnommen und es soll die Hypothese geprüft werden, dass die Entnahme zufällig erfolgt ist.

Vorgehensweise[Bearbeiten | Quelltext bearbeiten]

Es wurden einer dichotomen Grundgesamtheit n Kugeln entnommen. Die Ergebnisse liegen in ihrer chronologischen Abfolge vor. Es werden nun alle benachbarten Ergebnisse gleicher Ausprägung zu einem Lauf oder Run zusammengefasst. Wenn die Folge tatsächlich zufällig ist, sollten nicht zu wenig Runs vorliegen, aber auch nicht zu viele.

Es wird die Nullhypothese aufgestellt: Die Entnahme erfolgte zufällig.

Für die Festlegung der Zahl der Runs, bei der die Hypothese abgelehnt wird, wird die Verteilung der Runs benötigt: Es seien n1 die Zahl der Kugeln erster Sorte und n2 = n - n1 der zweiten Sorte; es sei r die Zahl der Runs. Nach dem Symmetrieprinzip ist die Wahrscheinlichkeit für jede beliebige Folge der Kugeln bei zufälliger Entnahme gleich groß. Es gibt insgesamt

Möglichkeiten der Entnahme.

Bezüglich der Verteilung der Zahl der Runs unterscheidet man die Fälle:

1. Die Zahl der Runs r ist geradzahlig:

Es liegen Runs der Kugeln der ersten Sorte und auch Runs der Kugeln der zweiten Sorte vor. Die Wahrscheinlichkeit, dass genau Runs eingetreten sind, ist dann

2. Die Zahl der Runs r ist ungeradzahlig:

Es liegen Runs der Kugeln der ersten Sorte und Runs der Kugeln der zweiten Sorte vor oder der umgekehrte Fall. Die Wahrscheinlichkeit, dass genau Runs eingetreten sind, berechnet sich dann als Summe aus diesen beiden Möglichkeiten

Ist r zu klein oder zu groß, führt das zur Ablehnung der Nullhypothese. Bei einem Signifikanzniveau von wird H0 abgelehnt, wenn für die Prüfgröße r gilt:

oder

mit r(p) als Quantil der Verteilung von R an der Stelle p, wobei hier das Prinzip des konservativen Testens angewendet wird. Da die Berechnung der kritischen Werte von r für die Ablehnung der Hypothese umständlich ist, bedient man sich häufig einer Tabelle.

Einfaches Beispiel[Bearbeiten | Quelltext bearbeiten]

Für eine Podiumsdiskussion mit zwei politischen Parteien wurden die Sprecher angeblich zufällig ermittelt. Es wurde ausgelost, dass von der Partei Supi 4 Vertreter und von der Partei Toll 5 Vertreter in der folgenden Reihe sprechen dürfen:

S S  T  S  T T T  S  T

Ein Vertreter von Toll beschwerte sich, dass S bevorzugt würde. Es wurde ein Run-Test vorgenommen:

Es ist n1 = 4 und n2 = 5. Man erhielt r = 6 Runs.

Deutlich ist, dass im Falle vieler Runs kein Verdacht besteht auf Bevorzugung einer der Parteien. Die Nullhypothese wird also abgelehnt, wenn es zu wenig Runs gibt. Nach der Tabelle des Run-Testes wird H0 abgelehnt, wenn r ≤ 2. Also liegt die Prüfgröße r = 6 nicht im Ablehnungsbereich; man kann nach den Kriterien des Run-Testes nicht darauf schließen, dass die Reihenfolge der Sprecher nicht zufällig ist.

Übrigens wird auch im nächsten Fall:

S S S  T  S  T T T T

mit r = 4 Runs, die Nullhypothese nicht abgelehnt, obwohl fast jeder einen Verdacht haben wird, dass Supi vorgezogen wurde. Man kann aber wegen der relativ geringen Anzahl der Beobachtungen nicht ausschließen, dass das Ergebnis auf Zufall beruht.

Ergänzungen[Bearbeiten | Quelltext bearbeiten]

Parameter der Verteilung von R[Bearbeiten | Quelltext bearbeiten]

Der Erwartungswert von R ist

und die Varianz

.

Grundgesamtheit mit mehr als zwei Ausprägungen des Merkmals[Bearbeiten | Quelltext bearbeiten]

Liegt eine endliche Folge reeller Zahlen eines metrischen Merkmals vor, wird die Folge dichotomisiert: Man bestimmt zunächst den Median z der Folge. Werte werden dann als Kugeln der ersten Sorte, Werte als Kugeln der zweiten Sorte interpretiert. Die entstandene dichotome Folge kann dann wieder auf Zufälligkeit getestet werden (siehe Beispiel unten).

Liegt eine nichtnumerische Symbolsequenz mit mehr als zwei Ausprägungen vor, muss zunächst eine numerische Reihe erzeugt werden, wobei hier das Problem bestehen kann, dass die Symbole nicht geordnet werden können.

Normalapproximation[Bearbeiten | Quelltext bearbeiten]

Für Stichprobenumfänge n1,n2 > 20 ist die Zahl der Runs R annähernd normalverteilt mit Erwartungswert und Varianz wie oben. Man erhält die standardisierte Prüfgröße

Die Hypothese wird abgelehnt, wenn

oder

mit als Quantil der Standardnormalverteilung für die Wahrscheinlichkeit .

Anwendungen[Bearbeiten | Quelltext bearbeiten]

Der Runtest kann angewendet werden, um Stationarität bzw. Nicht-Korrelation in einer Zeitreihe oder anderen Sequenz zu überprüfen, vor allem wenn die Verteilung des Merkmals unbekannt ist. Die Nullhypothese ist hier, dass aufeinanderfolgende Werte unkorreliert sind.

Der Run-Test kann mit dem Chi-Quadrat-Test kombiniert werden, da beide Prüfgrößen asymptotisch unabhängig voneinander sind.

Beispiel für ein metrisches Merkmal[Bearbeiten | Quelltext bearbeiten]

Es liegt die Folge

13  3      14      14      1       14      3       8       14      17      9       14      13      2       16      1       3       12      13      14

vor. Sie wird mit dem Median z = 13 dichotomisiert. Für die erste Ausprägung wird + gesetzt, für die zweite Ausprägung -.

0  -10     1       1       -12     1       -10     -5      1       4       -4      1       0       -11     3       -12     -10     -1      0       1
+  -       +       +       -       +       -       -       +       +       -       +       +       -       +       -       -       -       +       +

Man erhält bei n1 = 11 (+) und n2 = 9 (-) r = 13 Runs. R ist annähernd normalverteilt mit dem Erwartungswert

und der Varianz

.

Die Prüfgröße z errechnet sich dann als

Bei einem Signifikanzniveau von 0,05 wird H0 abgelehnt, wenn |z| > 1,96. Dies ist nicht der Fall.

Entscheidung: Die Hypothese wird nicht abgelehnt. Die Elemente der Stichprobe sind vermutlich zufällig entnommen worden.

Literatur[Bearbeiten | Quelltext bearbeiten]

  • James V. Bradley: Distribution-Free Statistical Tests, 1968, Chapter 12, ISBN 0-13-216259-8
  • Herbert Büning, Götz Trenkler: Nichtparametrische statistische Methoden, 1999, Kapitel 4.5, ISBN 3-11-016351-9
  • Wald A., Wolfowitz J.: On a Test Whether Two Samples are from the Same Population, The Annals of Mathematical Statistics, Vol. 11, No. 2 (Jun., 1940), pp. 147-162

Siehe auch[Bearbeiten | Quelltext bearbeiten]

Autokorrelation, Zufallszahlengenerator, Pseudozufallszahlen, Trend

Weblinks[Bearbeiten | Quelltext bearbeiten]