单调似然比与 UMP 检验：从证据排序到统一最优性

对固定 ${\theta }_1>{\theta }_0$，Neyman–Pearson 引理要求在似然比最大的样本点上拒绝。若每个 ${\theta }_1$ 都产生不同形状的拒绝域，就无法找到同时对整个复合备择最强的单一检验。MLR 的作用正是把这些拒绝域对齐：无论选择哪个更大的参数，似然比都随 $T$ 增加，因此“证据最强的位置”始终是 $T$ 的上尾。

阈值只需在边界 ${\theta }_0$ 下校准。MLR 还带来随机序意义上的单调性，使拒绝概率随 $\theta$ 增大而不减；于是复合零假设 $\theta \le {\theta }_0$ 中，最坏 size 出现在边界。另一方面，对每个固定 ${\theta }_1>{\theta }_0$，同一个上尾检验又恰好是 Neyman–Pearson 最强检验。两部分合起来，才得到“对所有右侧备择同时最强”。

这幅图景也解释了为什么双侧问题更难。$\theta >{\theta }_0$ 希望在 $T$ 大时拒绝，$\theta <{\theta }_0$ 希望在 $T$ 小时拒绝；两个方向争夺不同尾部，通常不存在一个对所有双侧备择都最强的检验。

若 $S\sim \mathrm{Binomial}(n,p)$，则对 $p_1>p_0$，

第一项的底数大于 $1$，所以似然比随成功次数 $s$ 增加。由此，检验 $p\le p_0$ 对 $p>p_0$ 时，应在成功次数足够大时拒绝。离散分布的尾概率通常无法恰好等于 $\alpha$，边界随机化正是为了获得精确 level；不随机化版本往往略保守。

已知方差的正态位置族也具有 MLR。若 $X_1,\dots ,X_n\sim N(\mu ,{\sigma }^2)$，统计量 $T=\overline{X}$，则检验

的 UMP level-$\alpha$ 规则为

在 ${\mu }_1>{\mu }_0$ 下，功效为

该公式展示的不是某个孤立数值，而是统一阈值怎样覆盖整个单侧备择，以及样本量、噪声和效应大小如何共同推动功效。

一参数自然指数族

通常对 $T$ 具有 MLR，因为两参数似然比是 $\exp \{({\eta }_1-{\eta }_0)T(x)\}$ 乘常数。若原参数 $\theta \mapsto \eta (\theta )$ 递减，拒绝方向也随之反转；“大统计量支持大参数”必须按真正的自然参数次序判断，不能机械套用。

边界条件同样重要。参数相关支撑可能使似然比排序失效；nuisance 参数会让边界分布不再唯一；似然比先升后降时，拒绝域不再是单一尾部。双侧问题常转而研究 UMP unbiased、invariant 或其他受限类别中的最优性，限定类必须写进结论。

左侧单尾问题

使用小 $T$ 拒绝，证明与右尾情形对称。检验反演可构造单侧置信界；例如正态均值右尾检验反演后得到下置信界

其覆盖性质继承自每个候选参数值下的 level 控制。

MLR 还蕴含一类随机序关系，使许多单调统计量的期望和检验功效随参数同向变化。因此，若声称模型具有 MLR，而数值实验中的功效曲线大幅来回摆动，应优先检查统计量方向、边界随机化、参数化和实现，而不是把异常归因于定理。

学习这条路径时，最自然的顺序是：先理解似然函数与 Neyman–Pearson 引理，再学习 MLR 作为分布族的排序结构，最后由 Karlin–Rubin 定理得到 UMP 检验。这样既保留整体故事，也不会把定义、证明工具和定理结论压成一个模糊标签。