Das Verhältnis der Likelihoods der beobachteten Daten unter zwei konkurrierenden statistischen Modellen oder Hypothesen; verwendet als Teststatistik und Maß zum Modellvergleich.

Prinzip

Neyman–Pearson‑Rahmen: Für einfache Hypothesen liefert der Likelihood‑Quotient den mächtigsten Test auf einem gegebenen Signifikanzniveau; monotone Likelihood‑Eigenschaften begründen die Ordnung der Evidenz.

Demonstration

Bei Beobachtungen aus N(μ,σ^2) mit bekanntem σ, zum Test von H0: μ=μ0 gegen H1: μ=μ1 verwendet man LR = L(Daten|μ1)/L(Daten|μ0); der Log‑Likelihood‑Quotient skaliert mit der Differenz der Stichprobenmittel und bildet das Ablehnungsinstrument.

Fehlanwendung

Den Likelihood‑Quotienten als posteriori Wahrscheinlichkeit einer Hypothese interpretieren ohne Priors zu berücksichtigen (Verwechslung mit Bayes‑Faktor oder Posterior‑Odds), oder ihn anzuwenden, wenn Modelle schlecht spezifiziert sind oder Likelihoods auf Teilen des Stichprobenraums undefiniert sind.

Konsequenz

Lieferst eine interpretierbare Teststatistik mit bekannten asymptotischen Verteilungen in vielen Fällen (z. B. Wilks' Theorem), bildet die Grundlage für likelihood‑basierte Konfidenzbereiche und Modellwahlverfahren.

Umkehrung

Bayes‑Faktoren verwenden marginale Likelihoods, die über Parameterpriors integrieren, statt punktweiser Likelihoods; durch Umkehr der Hypothesenrollen tauscht man Zähler und Nenner und kehrt dadurch die Evidenzinterpretation um.

Abgrenzung

Erfordert wohldefinierte Likelihoodfunktionen auf demselben Stichprobenraum und Sorgfalt mit Störparametern und Identifizierbarkeit; undefiniert, wenn der Nenner verschwindet oder wenn Modelle inkompatible daten‑generierende Annahmen benutzen.

Semantische Spannung

Wird häufig mit p‑Werten, Posterior‑Odds oder Bayes‑Faktoren verwechselt; anders als p‑Werte vergleicht LR Modelle direkt über Likelihoods, und anders als Bayes‑Faktoren lässt er Priors unberücksichtigt, sofern nicht erweitert.

Synthese

Der Likelihood‑Quotient ist das zentrale likelihood‑basierte Maß, das vergleicht, wie gut zwei Hypothesen beobachtete Daten erklären; bei angemessener Kalibrierung liefert er mächtige Tests, leitet Modellwahl und quantifiziert relative Unterstützung.