最大似然估计

✍ dations ◷ 2025-04-03 12:53:58 #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

  • 甲状腺机能亢进甲状腺功能亢进症(Hyperthyroidism),又称甲状腺机能亢进症,简称甲状腺亢进、甲亢,是一种由于体内过量的三碘甲腺原氨酸(T3)和 四碘甲腺原氨酸(T4,也即甲状腺素)造成的临床症状。而甲状
  • 果糖果糖(C6H12O6,Jmol 立体图)是一种简单的糖(单糖),极易溶于水,在许多食品中存在,和葡萄糖、半乳糖一起构成了血糖的三种主要成分,可在如蜂蜜、树上的水果、浆果、瓜类以及一些根类蔬菜
  • 嘴巴口腔,简称口,俗称嘴巴、嘴或咀,是指唇、腭、面颊和口腔底之间的空间,向上它与鼻腔相通。向后口腔与两个颌弓后的咽腔相连。口腔的后面的开口是咽峡,前面的开口是嘴。整个口腔的内
  • DsubLCO/sub一氧化碳弥漫量(英语:Diffusing capacity of the lung for carbon monoxide,简称DLCO或TLCO)为一项测量肺泡与血液之间的气体交换能力的检查。本方法最早于1909年发展出来。本方
  • 无菌技术无菌操作(英语:aseptic technique)是指在执行医疗、护理技术过程中,防止一切微生物侵入机体和保持无菌物品及无菌区域不被污染的操作技术和管理方法,由约瑟夫·李斯特在1865年首
  • 组氨酸组氨酸(英语:Histidine,, C6H9N3O2)简写为His或H,α氨基酸结合咪唑官能团。是存在于蛋白质之中最普遍的23种氨基酸之一。初以为只针对婴幼儿是必需的,较长期的研究表明,它也是成年
  • 电吉他电吉他是一种广泛运用于多种音乐风格中的电声拨弦乐器。电吉他通过电磁学原理发声,它通过拾音器将琴弦上的机械振动转化为电信号。这些电信号经过放大与处理后,通过音箱转换成
  • 横结肠横结肠是结肠的一部分,位于腹腔上部,前与升结肠以直角向左侧水平移行,在脾脏下方以直角转弯往下接于降结肠。横结肠前部由大网膜悬挂在胃下,后方则由横结肠系膜与腹后壁相连。
  • 语干在语言学中,词干(stem),或语干,是词的一部分。在不同情况下使用,其含义有差异。词干的其中一种含义,是指词缀所附着的部分。 例如在英语单词friendships中包含了词干friend,词缀-shi
  • 肌肉失养症肌肉萎缩症(肌营养不良症,英语:Muscular dystrophy, MD),指一组损坏人体肌肉的遗传性疾病。肌营养不良症表现为进行性骨骼肌萎缩,肌肉蛋白质缺失,和肌肉细胞或组织的死亡。有九种疾