首页 >
最大似然法
✍ dations ◷ 2025-09-17 15:18:10 #最大似然法
在统计学中,最大似然估计(英语:maximum likelihood estimation,缩写为MLE),也称极大似然估计、最大概似估计,是用来估计一个概率模型的参数的一种方法。下边的讨论要求读者熟悉概率论中的基本定义,如概率分布、概率密度函数、随机变量、数学期望等。读者还须先熟悉连续实函数的基本技巧,比如使用微分来求一个函数的极值(即极大值或极小值)。
同时,读者须先拥有似然函数的背景知识,以了解最大似然估计的出发点及应用目的。给定一个概率分布
D
{displaystyle D}
,已知其概率密度函数(连续分布)或概率质量函数(离散分布)为
f
D
{displaystyle f_{D}}
,以及一个分布参数
θ
{displaystyle theta }
,我们可以从这个分布中抽出一个具有
n
{displaystyle n}
个值的采样
X
1
,
X
2
,
…
,
X
n
{displaystyle X_{1},X_{2},ldots ,X_{n}}
,利用
f
D
{displaystyle f_{D}}
计算出其似然函数:若
D
{displaystyle D}
是离散分布,
f
θ
{displaystyle f_{theta }}
即是在参数为
θ
{displaystyle theta }
时观测到这一采样的概率。若其是连续分布,
f
θ
{displaystyle f_{theta }}
则为
X
1
,
X
2
,
…
,
X
n
{displaystyle X_{1},X_{2},ldots ,X_{n}}
联合分布的概率密度函数在观测值处的取值。一旦我们获得
X
1
,
X
2
,
…
,
X
n
{displaystyle X_{1},X_{2},ldots ,X_{n}}
,我们就能求得一个关于
θ
{displaystyle theta }
的估计。最大似然估计会寻找关于
θ
{displaystyle theta }
的最可能的值(即,在所有可能的
θ
{displaystyle theta }
取值中,寻找一个值使这个采样的“可能性”最大化)。从数学上来说,我们可以在
θ
{displaystyle theta }
的所有可能取值中寻找一个值使得似然函数取到最大值。这个使可能性最大的
θ
^
{displaystyle {widehat {theta }}}
值即称为
θ
{displaystyle theta }
的最大似然估计。由定义,最大似然估计是样本的函数。考虑一个抛硬币的例子。假设这个硬币正面跟反面轻重不同。我们把这个硬币抛80次(即,我们获取一个采样
x
1
=
H
,
x
2
=
T
,
…
,
x
80
=
T
{displaystyle x_{1}={mbox{H}},x_{2}={mbox{T}},ldots ,x_{80}={mbox{T}}}
并把正面的次数记下来,正面记为H,反面记为T)。并把抛出一个正面的概率记为
p
{displaystyle p}
,抛出一个反面的概率记为
1
−
p
{displaystyle 1-p}
(因此,这里的
p
{displaystyle p}
即相当于上边的
θ
{displaystyle theta }
)。假设我们抛出了49个正面,31个反面,即49次H,31次T。假设这个硬币是我们从一个装了三个硬币的盒子里头取出的。这三个硬币抛出正面的概率分别为
p
=
1
/
3
{displaystyle p=1/3}
,
p
=
1
/
2
{displaystyle p=1/2}
,
p
=
2
/
3
{displaystyle p=2/3}
.这些硬币没有标记,所以我们无法知道哪个是哪个。使用最大似然估计,基于二项分布中的概率质量函数公式,通过这些试验数据(即采样数据),我们可以计算出哪个硬币的可能性最大。这个似然函数取以下三个值中的一个:我们可以看到当
p
^
=
2
/
3
{displaystyle {widehat {p}}=2/3}
时,似然函数取得最大值。
显然地,这硬币的公平性和那种抛出后正面的几率是2/3的硬币是最接近的。这就是
p
{displaystyle p}
的最大似然估计。现在假设例子1中的盒子中有无数个硬币,对于
0
≤
p
≤
1
{displaystyle 0leq pleq 1}
中的任何一个
p
{displaystyle p}
, 都有一个抛出正面概率为
p
{displaystyle p}
的硬币对应,我们来求其似然函数的最大值:其中
0
≤
p
≤
1
{displaystyle 0leq pleq 1}
.
我们可以使用微分法来求极值。方程两边同时对
p
{displaystyle p}
取微分,并使其为零。其解为
p
=
0
{displaystyle p=0}
,
p
=
1
{displaystyle p=1}
,以及
p
=
49
/
80
{displaystyle p=49/80}
.使可能性最大的解显然是
p
=
49
/
80
{displaystyle p=49/80}
(因为
p
=
0
{displaystyle p=0}
和
p
=
1
{displaystyle p=1}
这两个解会使可能性为零)。因此我们说最大似然估计值为
p
^
=
49
/
80
{displaystyle {widehat {p}}=49/80}
.这个结果很容易一般化。只需要用一个字母
t
{displaystyle t}
代替49用以表达伯努利试验中的被观察数据(即样本)的“成功”次数,用另一个字母
n
{displaystyle n}
代表伯努利试验的次数即可。使用完全同样的方法即可以得到最大似然估计值:对于任何成功次数为
t
{displaystyle t}
,试验总数为
n
{displaystyle n}
的伯努利试验。最常见的连续概率分布是正态分布,其概率密度函数如下:现在有
n
{displaystyle n}
个正态随机变量的采样点,要求的是一个这样的正态分布,这些采样点分布到这个正态分布可能性最大(也就是概率密度积最大,每个点更靠近中心点),其
n
{displaystyle n}
个正态随机变量的采样的对应密度函数(假设其独立并服从同一分布)为:或:这个分布有两个参数:
μ
,
σ
2
{displaystyle mu ,sigma ^{2}}
.有人可能会担心两个参数与上边的讨论的例子不同,上边的例子都只是在一个参数上对可能性进行最大化。实际上,在两个参数上的求最大值的方法也差不多:只需要分别把可能性
L
(
μ
,
σ
)
=
f
(
x
1
,
,
…
,
x
n
∣
μ
,
σ
2
)
{displaystyle {mbox{L}}(mu ,sigma )=f(x_{1},,ldots ,x_{n}mid mu ,sigma ^{2})}
在两个参数上最大化即可。当然这比一个参数麻烦一些,但是一点也不复杂。使用上边例子同样的符号,我们有
θ
=
(
μ
,
σ
2
)
{displaystyle theta =(mu ,sigma ^{2})}
.最大化一个似然函数同最大化它的自然对数是等价的。因为自然对数log是一个连续且在似然函数的值域内严格递增的上凸函数。求对数通常能够一定程度上简化运算,比如在这个例子中可以看到:这个方程的解是
μ
^
=
x
¯
=
∑
i
=
1
n
x
i
/
n
{displaystyle {widehat {mu }}={bar {x}}=sum _{i=1}^{n}x_{i}/n}
.这的确是这个函数的最大值,因为它是
μ
{displaystyle mu }
里头惟一的一阶导数等于零的点并且二阶导数严格小于零。同理,我们对
σ
{displaystyle sigma }
求导,并使其为零。这个方程的解是
σ
^
2
=
∑
i
=
1
n
(
x
i
−
μ
^
)
2
/
n
{displaystyle {widehat {sigma }}^{2}=sum _{i=1}^{n}(x_{i}-{widehat {mu }})^{2}/n}
.因此,其关于
θ
=
(
μ
,
σ
2
)
{displaystyle theta =(mu ,sigma ^{2})}
的最大似然估计为:如果
θ
^
{displaystyle {hat {theta }}}
是
θ
{displaystyle theta }
的一个最大似然估计,那么
α
=
g
(
θ
)
{displaystyle alpha =g(theta )}
的最大似然估计是
α
^
=
g
(
θ
^
)
{displaystyle {hat {alpha }}=g({hat {theta }})}
。函数g无需是一个双射。最大似然估计函数在采样样本总数趋于无穷的时候达到最小方差(其证明可见于Cramer-Rao lower bound)。当最大似然估计非偏时,等价的,在极限的情况下我们可以称其有最小的均方差。
对于独立的观察来说,最大似然估计函数经常趋于正态分布。最大似然估计的偏差是非常重要的。考虑这样一个例子,标有1到n的n张票放在一个盒子中。从盒子中随机抽取票。如果n是未知的话,那么n的最大似然估计值就是抽出的票上标有的n,尽管其期望值的只有
(
n
+
1
)
/
2
{displaystyle (n+1)/2}
.为了估计出最高的n值,我们能确定的只能是n值不小于抽出来的票上的值。最大似然估计最早是由罗纳德·费雪在1912年至1922年间推荐、分析并大范围推广的。(虽然以前高斯、拉普拉斯、T. N. Thiele和F. Y. 埃奇沃思也使用过)。 许多作者都提供了最大似然估计发展的回顾。大部分的最大似然估计理论都在贝叶斯统计中第一次得到发展,并被后来的作者简化。
相关
- 游戏障碍游戏成瘾(英文:Video game addiction,缩写:VGA)是一种特殊的成瘾行为,其特征为过度或强迫性游戏以致影响正常生活。目前游戏成瘾的定义在医学界仍是极具争议的,没有确切的证据表明
- CD4+1CDH, 1CDI, 1CDJ, 1CDU, 1CDY, 1G9M, 1G9N, 1GC1, 1JL4, 1Q68, 1RZJ, 1RZK, 1WBR, 1WIO, 1WIP, 1WIQ, 2B4C, 2JKR, 2JKT, 2KLU, 2NXY, 2NXZ, 2NY0, 2NY1, 2NY2, 2NY3, 2NY4
- 办公场所办公室(office),又称写字楼,是一种让人们在其中办公(工作)的场所,通常是房间的形态,但随着电脑与网络的发达,也渐渐出现不需要实体空间的虚拟办公室(Virtual Office)。内部由办公室所组
- 电机电机(Electric Machine),是机械能与电能之间转换装置的通称。转换是双向的,大部分应用的是电磁感应原理。由机械能转换成电能的电机,通常称做“发电机”;把电能转换成机械能的电机
- 古罗马人命名习俗在罗马共和国和罗马帝国时代,罗马男性公民名字的命名通常采用三名法(拉丁语:tria nomina),即组成名字的三个部分依次为个人名(praenomen)、氏族名(nomen)和家族名(cognomen),在三名之外
- 周边神经系统周围神经系统(英语:Peripheral Nervous System,缩写为PNS),又称外周神经系统、周边神经系统、边缘神经系统或末稍神经系统,是神经系统的组成部分,包括除脑和脊髓之外的神经部分。脑
- 低频低频(LF, Low frequency)是指频带由30 KHz到300 KHz的无线电电波。LF多用作卫星导航系统(差分全球定位系统)、国际广播以及AM广播等,另外亦可用作电波时计(授时)。一些无线电频率识
- 真蕨纲真蕨纲(Polypodiopsida),又称为链束植物(Monilophytes)是植物界中真叶植物下的两个演化支之一,是种子植物的姊妹群。真蕨纲比起较原始的石松门多了真正的叶子,但比起较进化的种子植
- 到半胱氨酸的转化甲硫氨酸(英语:Methionine,又称蛋氨酸),在所有后生动物中它是一种必需氨基酸。与半胱氨酸一起,甲硫氨酸是两个含硫蛋白原氨基酸之一。对人而言是唯一的含硫必需氨基酸,有L型及D型两
- 曼内·西格巴恩曼内·西格巴恩(瑞典语:Karl Manne Georg Siegbahn,1886年12月3日-1978年9月26日),瑞典物理学家,1925年,他因为发现X射线的光谱,而获得1924年度的诺贝尔物理学奖殊荣。值得一提的是,他