Als «maximum-likelihood» getaggte Fragen

eine Methode zum Schätzen von Parametern eines statistischen Modells durch Auswahl des Parameterwerts, der die Wahrscheinlichkeit der Beobachtung der gegebenen Stichprobe optimiert.

1
Fisher Informationen für
Ich habe viele Leute gesehen, die die Delta-Methode verwendeten, um die asymptotische Verteilung von zu finden rrr, der Probenkorrelationskoeffizient für bivariate Normaldaten. Diese Verteilung ist gegeben durch n- -- -√( r - ρ )- -→D.N.( 0 ,( 1 -ρ2)2)n(r- -ρ)→D.N.(0,(1- -ρ2)2)\sqrt{n} \left( r-\rho \right) \xrightarrow{D} \mathcal{N} \left(0, \left(1-\rho^2\right)^2 \right) und …

3
Wie finde ich Schätzungen der maximalen Wahrscheinlichkeit eines ganzzahligen Parameters?
HW Frage : x1,x2, … ,xnx1,x2,…,xnx_1,x_2,\ldots,x_n sind unabhängige Gaußsche Variablen mit Mittelwert und Varianz . Definiere wobei unbekannt ist. Wir sind an einer Schätzung von aus interessiert .μμ\muσ2σ2\sigma^2y=∑N.n = 1xny=∑n=1N.xny = \sum_{n=1}^{N} x_nN.N.NN.N.Nyyy ein. Wenn bestimmen Sie seine Vorspannung und Varianz.N.^1= y/ μN.^1=y/.μ\hat N_1 = y/\mu b. Wenn bestimmen Sie …

1
Wie heißt diese Parameterschätzungsstrategie?
Sei eine Zufallsstichprobe aus einer Normalverteilung mit Mittelwert und Varianz . Betrachten Sie das Problem der Schätzung von .X1,X2,…,XnX1,X2,…,XnX_1, X_2, \ldots, X_nμμ\muσ2σ2\sigma^2P(X>100)P(X>100)P(X > 100) Eine Möglichkeit, dies zu erreichen, besteht darin, zu berechnen . Dieser "Plug-in" -Schätzer ist konsistent und seine Vorspannung und MSE sind einfach zu berechnen.n−1∑ni=11(Xi>100)n−1∑i=1n1(Xi>100)n^{-1}\sum_{i=1}^n \mathbb{1}(X_i > …

1
MLE von
Sei eine Zufallsstichprobe aus einer Verteilung mit pdf X1,X2,X3,...,XnX1,X2,X3,...,XnX_{1},X_{2},X_{3},...,X_{n}f(x;α,θ)=e−x/θθαΓ(α)xα−1I(0,∞)(x),α,θ>0f(x;α,θ)=e−x/θθαΓ(α)xα−1I(0,∞)(x),α,θ>0f(x;\alpha,\theta)=\frac{e^{-x/\theta}}{\theta^{\alpha}\Gamma(\alpha)}x^{\alpha-1}I_{(0,\infty)}(x ),\alpha,\theta>0 Finden Sie den Maximum-Likelihood-Schätzer für und . Seiαα\alphaθθ\thetaΨ(α)=dΓ(α)dαΨ(α)=dΓ(α)dα\Psi(\alpha)=\frac{d\Gamma(\alpha)}{d\alpha} Mein Versuch, L(α,θ)===∏i=1nf(xi)∏i=1ne−xi/θθαΓ(α)xα−1i1Γn(α)⋅θnα(∏i=1nxi)α−1exp(−∑i=1nxiθ)L(α,θ)=∏i=1nf(xi)=∏i=1ne−xi/θθαΓ(α)xiα−1=1Γn(α)⋅θnα(∏i=1nxi)α−1exp⁡(−∑i=1nxiθ)\begin{eqnarray*} \mathcal{L}(\alpha,\theta)&=&\prod_{i=1}^{n}f(x_i)\\ &=&\prod_{i=1}^{n}\frac{e^{-x_i/\theta}}{\theta^{\alpha}\Gamma(\alpha)}x_i^{\alpha-1}\\ &=&\frac{1}{\Gamma^{n}(\alpha)\cdot \theta^{n \alpha}}(\prod_{i=1}^{n}x_i)^{\alpha-1}\exp(-\sum_{i=1}^{n}\frac{x_i}{\theta}) \end{eqnarray*} ℓ(α,θ)δℓ(α,θ)δθ1θ2∑i=1nxiθ^=====−nlog(Γ(α))−nαlog(θ)+(α−1)∑i=1nlog(xi)−1θ∑i=1nxi−nαθ+1θ2∑i=1nxi=0nαθ∑ni=1xinα1αx¯ℓ(α,θ)=−nlog⁡(Γ(α))−nαlog⁡(θ)+(α−1)∑i=1nlog⁡(xi)−1θ∑i=1nxiδℓ(α,θ)δθ=−nαθ+1θ2∑i=1nxi=01θ2∑i=1nxi=nαθθ^=∑i=1nxinα=1αx¯\begin{eqnarray*} \ell(\alpha,\theta)&=&-n\log(\Gamma(\alpha))-n\alpha\log(\theta)+(\alpha-1)\sum_{i=1}^{n}\log(x_i)-\frac{1}{\theta}\sum_{i=1}^{n}x_i\\ \frac{\delta \ell(\alpha,\theta)}{\delta \theta}&=&-\frac{n\alpha}{\theta}+\frac{1}{\theta^2}\sum_{i=1}^{n}x_i=0\\ \frac{1}{\theta^2}\sum_{i=1}^{n}x_i&=&\frac{n\alpha}{\theta}\\ \hat{\theta}&=&\frac{\sum_{i=1}^{n}x_i}{n\alpha}\\ &=&\frac{1}{\alpha}\bar{x}\\ \end{eqnarray*} dℓ(α,θ^)dαlog(α)−Γ′(α)Γ(α)===−n⋅Γ′(α)Γ(α)−nlog(1αx¯)+∑i=1nlog(xi)=0−n⋅Γ′(α)Γ(α)+nlog(α)−nlog(x¯)+∑i=1nlog(xi)=0log(x¯)−∑ni=1log(xi)ndℓ(α,θ^)dα=−n⋅Γ′(α)Γ(α)−nlog⁡(1αx¯)+∑i=1nlog⁡(xi)=0=−n⋅Γ′(α)Γ(α)+nlog⁡(α)−nlog⁡(x¯)+∑i=1nlog⁡(xi)=0log⁡(α)−Γ′(α)Γ(α)=log⁡(x¯)−∑i=1nlog⁡(xi)n\begin{eqnarray*} \frac{d \ell(\alpha,\hat{\theta})}{d\alpha}&=&\frac{-n \cdot \Gamma'(\alpha)}{\Gamma(\alpha)}-n\log(\frac{1}{\alpha}\bar{x})+\sum_{i=1}^{n}\log(x_i)=0\\ &=&\frac{-n \cdot \Gamma'(\alpha)}{\Gamma(\alpha)}+n\log(\alpha)-n\log(\bar{x})+\sum_{i=1}^{n}\log(x_i)=0\\ \log(\alpha)-\frac{\Gamma'(\alpha)}{\Gamma(\alpha)}&=&\log(\bar{x})-\frac{\sum_{i=1}^{n}\log(x_i)}{n} \end{eqnarray*} Ich konnte nicht mehr …

2
Warum führt die Kodierung der Behandlung zu einer Korrelation zwischen zufälliger Steigung und Schnittpunkt?
Betrachten Sie ein faktorielles Design innerhalb des Subjekts und innerhalb des Gegenstands, bei dem die experimentelle Behandlungsvariable zwei Ebenen (Bedingungen) aufweist. Sei m1das Maximalmodell und m2das No-Random-Correlations-Modell. m1: y ~ condition + (condition|subject) + (condition|item) m2: y ~ condition + (1|subject) + (0 + condition|subject) + (1|item) + (0 + …

2
Die maximale Wahrscheinlichkeit ist nicht unverparametrisch. Wie kann man es also rechtfertigen, es zu benutzen?
Es gibt etwas, das mich an Max-Likelihood-Schätzern verwirrt. Angenommen, ich habe einige Daten und die Wahrscheinlichkeit unter einem Parameterμμ\mu ist L(D|μ)=e−(.7−μ)2L.(D.|μ)=e- -(.7- -μ)2 L(D|\mu) = e^{-(.7-\mu)^2} Dies ist als die Wahrscheinlichkeit einer Gaußschen Skalierung erkennbar. Jetzt wird mir mein Max-Likelihood-Schätzer gebenμ=.7μ=.7\mu=.7. Angenommen, ich wusste das nicht und arbeitete stattdessen mit …

1
Warum haben einige Formeln den Koeffizienten der logistischen Regressionswahrscheinlichkeit im Vordergrund und andere nicht?
Ich leite die Wahrscheinlichkeit einer logistischen Regression ab. Ich habe zwei verschiedene Versionen gesehen: f(y|β)=∏i=1Nniyi!(ni−yi)!πyii(1−πi)ni−yi(1)(1)f(y|β)=∏i=1Nniyi!(ni−yi)!πiyi(1−πi)ni−yi\begin{equation} f(y|\beta)={\displaystyle \prod_{i=1}^{N} \frac{n_i} {y_i!(n_i-y_i)!}} \pi_{i}^{y_i}(1-\pi_i)^{n_i - y_i} \tag 1 \end{equation} Oder dieses L(β0,β1)=∏i=1Np(xi)yi(1−p(xi))1−yi(2)(2)L(β0,β1)=∏i=1Np(xi)yi(1−p(xi))1−yi\begin{equation} L(\beta_0,\beta_1)= \displaystyle \prod_{i=1}^{N}p(x_i)^{y_i}(1-p(x_i))^{1-y_i} \tag 2 \end{equation} Warum gibt es in Gleichung 1 ?niyi!(ni−yi)!niyi!(ni−yi)!\frac{n_i} {y_i!(n_i-y_i)!} Quellen: Erstens: https://czep.net/stat/mlelr.pdf (Seite 3, Äqu. 2) Zweitens: …




1
Was kann mit MLE schief gehen, wenn ich einige Schätzungen der ersten Stufe anstelle einiger Parameter ersetze?
Angenommen, ich beschäftige mich anfangs mit der Log-Likelihood-Funktion , wobei \ theta_j \ in \ mathbb {R} .logL(θ1,…,θm,θm+1,…,θk)log⁡L(θ1,…,θm,θm+1,…,θk)\log L(\theta_1, \ldots, \theta_m, \theta_{m+1}, \ldots, \theta_k)θj∈Rθj∈R\theta_j \in \mathbb{R} Angenommen, ich habe aus irgendeinem Grund beschlossen, einige Schätzungen der ersten Stufe \ tilde {\ theta} _ {m + 1} , \ ldots , …

2
Posteriore prädiktive Verteilung gegen MAP-Schätzung
Betrachten Sie einen Trainingsdatensatz , ein durch parametrisiertes Wahrscheinlichkeitsmodell und ein vorheriges P (\ theta) . Für einen neuen Datenpunkt x ^ * können wir P (x ^ *) berechnen mit:XXXθθ\thetaP(θ)P(θ)P(\theta)x∗x∗x^*P(x∗)P(x∗)P(x^*) ein vollständig bayesianischer Ansatz: die posteriore Vorhersageverteilung P(x∗|X)=∫P(θ|X)P(x∗|θ)dθP(x∗|X)=∫P(θ|X)P(x∗|θ)dθP(x^* | X) = \int P(\theta|X) P(x^*|\theta) d\theta die Wahrscheinlichkeit, die durch …

1
Parameterschätzungen für die Dreiecksverteilung
Eine Frage , wurde veröffentlicht hier (deleted jetzt) in Bezug auf die Parameter der Schätzdreiecksverteilung , die Dichte f(x;a,b,c)=⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪02(x−a)(b−a)(c−a)2(b−x)(b−a)(b−c)0for x&lt;a,for a≤x≤c,for c&lt;x≤b,for b&lt;x.f(x;a,b,c)={0for x&lt;a,2(x−a)(b−a)(c−a)for a≤x≤c,2(b−x)(b−a)(b−c)for c&lt;x≤b,0for b&lt;x.f(x;a,b,c)=\begin{cases} \quad 0 & \text{for } x < a, \\ \frac{2(x-a)}{(b-a)(c-a)} & \text{for } a \le x \le c, \\ \frac{2(b-x)}{(b-a)(b-c)} & \text{for } …

1
Vergleich von Ansätzen von MLE-Schätzungen einer Weibull-Verteilung
Ich muss eine Weibull-Verteilung auf einige Daten parametrisieren. Daher verwende ich die Maximum-Likelihood-Estimation (MLE) aus dem fitdistrplus-Paket in R. Ich wollte jedoch verstehen, was im Paket getan wird, und habe daher neben der Verwendung des Pakets zwei manuelle Lösungen ausprobiert, um die von angegebenen MLE-Schätzungen zu überprüfen Fitdist. Zusammenfassend sind …

1
95% -Konfidenzintervalle bei Vorhersage des zensierten Binomialmodells, geschätzt unter Verwendung von mle2 / Maximum-Likelihood
Ich arbeite an einem Problem, bei dem ich mehrere Paare derzeit lebender Männer habe i, von denen jedes vor niGenerationen einen vermuteten väterlichen Vorfahren hat (basierend auf genealogischen Beweisen) und bei denen ich Informationen darüber habe, ob es eine Nichtübereinstimmung in ihrem Y-chromosomalen Genotyp gibt (ausschließlich väterlicherseits) vererbt,xi= 1 für …

Durch die Nutzung unserer Website bestätigen Sie, dass Sie unsere Cookie-Richtlinie und Datenschutzrichtlinie gelesen und verstanden haben.
Licensed under cc by-sa 3.0 with attribution required.