1 基本概念
1.1 定义
似然比检验是一类用于比较两种假设或两个模型的方法。它通过观察数据在原假设与备择假设下的似然大小，构造一个比值或其等价形式，并据此判断样本更支持哪一种假设。由于它直接利用样本信息，常被视为统计推断中的基础工具之一。
1.2 统计思想
该方法的核心思想是：如果某个假设更能解释观测数据，那么数据在该假设下应具有更大的似然值。通过比较两种假设对应的最大似然，可以衡量约束条件是否会显著降低模型对数据的解释能力。若降低程度过大，便倾向于拒绝原假设。
1.3 适用场景
似然比检验适用于嵌套模型比较、参数约束检验以及多种概率模型下的显著性分析。它常见于回归分析、方差分析、分类问题和生物统计建模等场景，尤其适合参数化模型较为明确、且可以计算似然函数的情形。
1.4 与其他检验方法的关系
这一方法与Wald检验、Score检验并列为经典的参数检验工具。与基于估计值和标准误的Wald检验相比，似然比检验更强调模型整体拟合；与Score检验相比，它通常需要同时估计原假设和备择假设下的参数。它也与卡方检验存在密切联系，尤其在大样本条件下可获得相近的渐近结果。
2 数学原理
2.1 似然函数
似然函数是在给定观测数据的前提下，把参数视为变量所得到的函数。它描述不同参数取值对当前样本的支持程度，是最大似然估计和似然比检验的共同基础。
2.1.1 概率与似然的区别
概率是“参数已知、数据随机”时的量，而似然则是“数据已知、参数变化”时的量。二者表达式可能相同，但解释角度不同。概率关注样本出现的可能性，似然则衡量某个参数值对已观察数据的解释力度。
2.1.2 参数空间与模型
参数空间决定了模型允许的取值范围，不同假设通常对应参数空间的不同子集。原假设往往是完整模型中的一个受限版本，备择假设则允许更宽松的参数结构。嵌套关系正是似然比检验得以成立的重要前提。
2.2 似然比的构造
似然比通常定义为两种假设下似然值之比。为了便于比较，常将原假设下的最大似然值放在分母，备择假设下的最大似然值放在分子。这样得到的比值越小，说明原假设对数据的解释相对越弱。
2.2.1 原假设下的似然值
原假设成立时，需要在受限参数空间内寻找最优参数，使似然函数达到最大。这个最大值反映了在原假设约束下，模型对样本的最好拟合程度。若该值明显偏低，意味着约束条件可能与数据不相容。
2.2.2 备择假设下的似然值
备择假设通常对应更一般的模型，因此其参数空间更大，最大似然值一般不低于原假设下的值。它代表在不施加原假设限制时，模型能够达到的最佳拟合水平。两者差距越大，越说明原假设可能不合理。
2.3 检验统计量
实际应用中，常将似然比转化为便于处理的统计量。最常见的形式是对数似然差的两倍，这样可以得到具有良好渐近性质的检验量，并便于与理论分布比较。
2.3.1 对数似然比
对数似然比检验统计量通常写作两倍的对数似然差，即将两个模型的最大对数似然进行比较。采用对数形式后，乘积结构会转为加法，计算更稳定，也更适合数值实现。
2.3.2 统计量的变换形式
在某些教材或软件输出中，似然比可能以“比值”“负二倍对数似然差”或“偏差差值”等形式呈现。尽管表达不同，本质上都是通过单调变换保留同一判别信息。只要变换保持单调性，检验结论通常不会改变。
2.4 渐近分布
在较大样本下，似然比统计量通常服从近似的卡方分布。这一结论使得检验的临界值和P值可以方便地通过自由度计算获得，从而形成标准化的推断框架。
2.4.1 卡方近似
当样本量足够大且模型满足一定正则条件时，似然比统计量趋近于卡方分布。该近似为实际检验提供了理论依据，也使得复杂模型的比较具有统一的判别标准。需要注意的是，小样本时这一近似可能不够精确。
2.4.2 自由度的确定
自由度通常由两个模型参数个数之差决定，即备择模型比原假设多出的独立参数数量。若原假设是若干参数约束，则自由度等于约束条数。自由度越大，卡方分布右尾越分散，临界判断也随之变化。
3 检验流程
3.1 提出原假设与备择假设
首先明确研究问题，并写出原假设与备择假设。原假设通常表示“无效应”或“无差异”，备择假设则表示存在差异或效应。假设的表述应尽量清晰，且便于转化为参数约束。
3.2 构建嵌套模型
根据假设建立两个模型，其中一个是另一个的特例。原假设模型通常更简单，备择模型更一般。只有在嵌套关系成立时，似然比检验的经典形式才最为自然和稳妥。
3.3 计算最大似然估计
分别在原假设和备择假设下求解最大似然估计。这个过程可能依赖解析解，也可能需要借助数值优化方法。得到参数估计后，即可计算各自对应的最大似然值或对数似然值。
3.4 求取似然比统计量
将两个模型的最大似然值代入统计量公式，得到检验统计量。若使用对数似然比，则常见形式为两倍对数似然差。该数值越大，通常表示原假设相对于备择模型越不利。
3.5 确定拒绝域与显著性水平
根据预先设定的显著性水平，查找相应卡方分布的临界值，或直接计算P值。若统计量落入拒绝域，则认为样本提供了足够证据反对原假设。显著性水平一般在分析前确定，以避免事后调整。
3.6 作出统计结论
最后结合统计量、P值和研究背景给出结论。结论应表述为“是否拒绝原假设”，而不是绝对地证明某个假设成立。若结果显著，还应说明其实际含义，避免仅停留在形式判断。
4 性质与特点
4.1 优点
4.1.1 理论一致性
似然比检验与最大似然理论联系紧密，推导逻辑清晰，具有较好的统一性。它在大样本下具有稳定的渐近性质，因此在理论研究和应用分析中都占有重要地位。
4.1.2 适用于多种模型
该方法不局限于单一类型分布，凡是能够建立似然函数的模型，通常都可纳入框架中。无论是离散型数据、连续型数据，还是回归和分类模型，都有较广泛的适用空间。
4.2 局限性
4.2.1 大样本依赖
似然比检验的经典分布近似依赖大样本条件。样本较小时，卡方近似可能偏差较大，导致显著性判断不够准确。在此情况下，往往需要修正方法或精确检验思路。
4.2.2 对模型设定的敏感性
如果模型设定不当，例如分布假设错误、独立性不足或嵌套关系不成立，检验结果就可能失真。也就是说，它对建模前提较为敏感，不能脱离模型结构单独使用。
4.3 与信息准则的比较
似然比检验强调统计显著性，而信息准则更注重拟合与复杂度之间的折中。前者通常给出“是否拒绝”的结论，后者则用于在多个候选模型中进行相对比较。两者经常结合使用，以获得更全面的判断。
5 常见应用
5.1 参数假设检验
5.1.1 单参数检验
在单参数情形下，似然比检验可用于判断某个参数是否等于指定值。例如检验均值、比例或回归系数是否为零。此时原假设通常对应一个固定参数值，备择假设则允许其自由变化。
5.1.2 多参数联合检验
当需要同时检验多个参数是否满足某些约束时，似然比检验也很常用。它能够整体评估一组限制是否合理，适合处理联合显著性问题。与逐个检验相比，这种方式更能反映整体结构。
5.2 模型选择
5.2.1 嵌套模型比较
在模型选择中，常用似然比检验比较简单模型和复杂模型。若加入额外参数后显著改善拟合，则倾向于保留更复杂的模型；若改善不足，则优先选择简化模型。该方法尤其适合嵌套关系明确的候选模型。
5.2.2 简化模型检验
当研究者希望确认某些变量或项是否可以删去时，似然比检验提供了直接依据。若删去后模型拟合没有明显下降，便可考虑采用更简洁的表达。这在建模、变量筛选和理论约束验证中都很常见。
5.3 回归分析中的应用
5.3.1 线性回归
在线性回归中，似然比检验可用于比较包含不同解释变量的模型，也可用于检验某组回归系数是否同时为零。它与F检验在某些条件下有相近作用，但适用范围更广，尤其在一般概率模型中更具统一性。
5.3.2 广义线性模型
在广义线性模型中，似然比检验是非常常见的工具。由于这类模型通常具有明确的似然结构，比较不同链接函数或不同变量组合时，检验结果较易获得。它也常用于偏差分析和模型拟合评估。
5.4 分类与生物统计应用
5.4.1 列联表分析
在列联表中，似然比检验可用于判断分类变量之间是否独立，或不同分组的分布是否一致。它与卡方独立性检验联系紧密，但在小样本或稀疏表格中，似然比形式常具有较好的适应性。
5.4.2 疾病风险模型
在生物统计中，该方法可用于评估某些风险因素是否与疾病发生有关，也可比较不同风险模型的解释能力。由于这类问题通常涉及多变量控制和模型选择，似然比检验往往是核心分析手段之一。
6 扩展形式
6.1 单边似然比检验
单边似然比检验用于备择方向有明确限制的情形，例如只关心参数是否大于某一阈值。与双边检验相比，它利用了方向性信息，因此在特定问题中可能更有检验效率。
6.2 广义似然比检验
广义似然比检验将似然比思想推广到更一般的假设比较框架中，即使模型并非完全简单，也可采用最大似然值进行比较。它在复杂模型、约束参数和多维假设检验中尤为重要。
6.3 精确似然比方法
在样本较小或分布条件特殊时，可以使用精确似然比方法，以避免单纯依赖渐近近似。这类方法通常计算更复杂，但能够提供更可靠的有限样本推断结果，尤其适合精细分析。
6.4 多重比较中的应用
当需要同时对多个假设进行检验时，似然比思想也可结合多重比较框架使用。此时不仅要关注单个检验的显著性，还要考虑整体错误率控制，以减少偶然显著带来的误判。
7 计算与实现
7.1 数值优化
7.1.1 最大化似然函数
很多模型的似然函数没有简单解析解，需要借助迭代算法寻找最大值。常见做法包括牛顿法、拟牛顿法和期望最大化等。优化过程的稳定性和初值选择，都会影响最终结果。
7.1.2 对数变换的使用
在实际计算中，常将似然函数取对数后再进行优化。这样既能避免连乘导致的数值下溢，也能把复杂的乘积结构转化为更易处理的求和形式。对数变换几乎是似然分析中的标准步骤。
7.2 软件实现
7.2.1 常见统计软件
许多统计软件都内置了似然比检验功能，可直接输出统计量、自由度和P值。用户通常只需拟合两个模型，再调用比较命令即可。对于常见回归与分类模型，这类实现已经相当成熟。
7.2.2 编程语言中的函数接口
在编程语言中，似然比检验通常通过模型拟合函数和比较函数实现。用户可先分别拟合原假设模型与备择模型，再根据对数似然自动计算检验结果。其优点是灵活，便于嵌入自定义分析流程。
7.3 结果解释
7.3.1 P值的含义
P值表示在原假设成立时，得到当前统计量或更极端结果的概率。它并不等于原假设为真的概率，也不直接说明效应大小。解释时应结合研究设计、样本规模和实际背景。
7.3.2 置信区间与检验结果
似然比检验的结论常可与置信区间相互印证。若参数的置信区间不包含原假设指定值，通常会得到一致的显著性判断。将二者结合使用，有助于更完整地理解参数不确定性。
8 相关概念
8.1 最大似然估计
最大似然估计是通过最大化似然函数来估计参数的方法。似然比检验往往以最大似然值为基础，因此两者在方法论上紧密相连。
8.2 Wald检验
Wald检验依据参数估计值及其标准误构造统计量，常用于参数是否等于某一值的判断。它实现简便，但在某些复杂模型中稳定性可能不如似然比检验。
8.3 Score检验
Score检验只需在原假设下进行估计，利用似然函数在原点附近的斜率信息完成判断。它在计算上有时更省力，常与似然比检验一起作为替代或互补方法。
8.4 Neyman-Pearson引理
Neyman-Pearson引理是简单假设下最优检验的理论基础。它说明在简单对简单比较中，基于似然比的检验具有最强的功效，因此为似然比方法提供了重要理论支撑。
8.5 卡方检验
卡方检验是一类广泛使用的统计检验方法，常用于分类数据和列联表分析。许多似然比检验在大样本下会近似服从卡方分布，因此二者在应用层面常出现关联。