首页 >
最大似然估计
✍ dations ◷ 2025-07-02 09:41:46 #最大似然估计
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
- 伊利阿斯·马格努斯·弗里斯埃利亚斯·芒努斯·弗里斯(瑞典语:Elias Magnus Fries,1794年8月15日-1878年2月8日),瑞典生物学家。他在六十多年的科研生涯中,搜集了欧洲各地大量的真菌标本,对其进行了科学、系统
- 处方处方(符号“℞”),是医师开给病人的医疗文书,是药剂师或司药员向病人发放药品的重要依据,内容一般包括患者姓名、年龄、联系方式、所用药品名称、用量(剂量)等。处方所载内容一般会
- 组织细胞增生症医学中,组织细胞增生(英语:Histiocytosis)是指组织细胞(英语:histiocyte)(组织巨噬细胞)之过量存在;组织细胞增多症或组织细胞增生症常被用来指代一系列以此为特征的罕见病。偶见以此
- PubChemPubChem,即有机小分子生物活性数据,是一种化学模组的数据库,目前由美国国家生物技术信息中心维护。PubChem可经由网站直接存取,数以百万计的化学组成资料集可经由FTP免费下载。
- 波萝勉省波萝勉省(高棉语:ខេត្តព្រៃវែង,高棉语发音:.mw-parser-output .IPA{font-family:"Charis SIL","Doulos SIL","Linux Libertine","Segoe UI","Lucida Sans Unicode",
- 电子词典电子词典(英语:electronic dictionary,或称电子辞(字)典、字典机与翻译机),是一种类似个人数码助理(PDA)的手持电子设备,以查词典和英语学习为主要功能。同时也兼具一些辅助工作和娱乐
- 规则交换格式规则交换格式(Rule Interchange Format,RIF)是一个已经建议的语义网构成要素。W3C目前正在构建RIF,将其作为可能推荐的,适合于语义网之上基于规则的系统之中规则交换的格式。RIF
- 生殖结节生殖结节(英语:genital tubercle),是存在于生殖系统发育过程中的组织体,形成于哺乳动物胚胎的腹部尾侧区域,是阴茎或阴蒂的原基。人类胎儿生殖结节在妊娠第4周左右形成,到第9周时,可
- 人格疾患人格障碍(英语:personality disorders),或人格(性格)疾患/异常/违常。是精神疾病中,对于一群特定拥有长期而僵化思想及行为病患的分类。这类疾患常可因其人格和行为的问题而导致社会
- 威廉·冯特威廉·冯特(Wilhelm Maximilian Wundt,1832年8月16日-1920年8月31日)是德国著名心理学家、生理学家兼哲学家,心理学发展史上的开创性人物。他被普遍公认为是实验心理学和认知心理