黄石2026-07-14 16:34:19

同学你好。似然比检验是最大似然估计下非常经典的检验方法之一。似然指的是最大似然估计中的似然函数，你可以通俗理解成我观测到一个样本的概率（当然严谨来说似然和概率还有区别，这里我们不做讨论）。为了方便推导，我们通常对其取自然对数，得到对数似然函数。
最大似然估计的核心思想是，找到一个能够最大化我当前手头样本的对数似然函数的参数值、作为对于总体参数的估计。这个做法天然符合直觉，得到的参数估计也确实具备优良的性质。根据前述思想，可知最大似然估计量是一个能够最大化对数似然函数的值【这个结论一会儿会用到】。接下来，不同的样本中，我们计算得到的对数似然函数会发生变化（不同的样本中个体、信息数据均不同），而第二个很符合直觉也可以被证明的结论，就是平均来看，真实的总体参数（作为真正正确的参数值）能够最大化对数似然函数【注意这个结论和前面的结论不同：在任一样本中，总体参数通常都不是最大化该样本对数似然函数的值，最大似然估计量才是；但是总体参数应能最大化对数似然函数的期望，或者说能够最大化多个样本的对数似然函数的均值】。
下面我们开始开展假设检验，原假设是参数p = p*（在Kupiec检验中，这个p就是损失超过VaR的概率）。根据前述分析，p*肯定不能最大化我们当前手头样本的对数似然函数，最大似然估计量p^才能。但是，基于p*和p^算出的样本对数似然函数之间的差值的大小能够告诉我们很多信息——如果二者差值不大，那么我们认为原假设大概率为真；如果二者差值很大，那么我们认为原假设大概率为假。这里的思想在于，p*平均来看能够最大化对数似然函数，那么在某一样本中，即使基于p*算出的对数似然函数小于基于p^算出的，但应该也不会差太多。举一个通俗的例子，我们想要检验一个同学是不是年级第一（也就是平均分最高，对应总体参数），现在我有某一门课全班的成绩（这对应我手头有一个样本）。假设这个班这门课的最高分是97分（对应对数似然函数的最大值），我们知道年级第一不一定门门课第一，但是既然都是年级第一了，这门课的成绩应该不会比97分差太多——比如说这位同学这门课考了94分，我们觉得没毛病，没有什么显著的信息促使我拒绝他是年级第一的原假设（对应基于p*算出的对数似然函数不会小于基于p^算出的对数似然函数太多）；但如果这位同学这门课只考了60分，我们就有很强的理由认为你不是年级第一。这就是似然比检验的核心逻辑。