一:什么是似然函数
概念:给定联合样本值X条件下(未知)参数θ的函数:L(θ|X) = f(X|θ),X是指联合样本随机变量x的取值,即X = xi,θ是未知参数,他是空间参数。这里的f(X|θ)是一个密度函数,他表示在给定模型参数θ的条件下,取到x的概率。所以从定义上,似然函数和密度函数是完全不同的两个数学对象:前者是关于[θ]的函数,后者是关于[X]的函数。所以这里的等号理解为函数值形式的相等,而不是两个函数本身是同一函数(根据函数相等的定义,函数相等当且仅当定义域相等并且对应关系相等)。
二:极大似然估计
通俗概念:利用已知样本结果信息,反推最有可能(最大概率)导致这些样本结果的模型参数。
数学定义:设样本集X = xi(i = 1,2,3,4…n),数据集符合某种分布,p(xi|θ)表示抽到i样本的的概率,由于样本独立同分布(有放回的取值),因此则有
其中 θ为实数。我们要找到一个 θ使得xi(i = 1,2,3…n)这组样本被抽到的概率最大,也就是需要似然函数L( θ)最大。满足条件的 θ被称为最大自然函数函数估计量,记作 θ = argmaxL(θ).
例子一
别人博客的一个例子。
假如有一个罐子,里面有黑白两种颜色的球,数目多少不知,两种颜色的比例也不知。我 们想知道罐中白球和黑球的比例,但我们不能把罐中的球全部拿出来数。现在我们可以每次任意从已经摇匀的罐中拿一个球出来,记录球的颜色,然后把拿出来的球 再放回罐中。这个过程可以重复,我们可以用记录的球的颜色来估计罐中黑白球的比例。假如在前面的一百次重复记录中,有七十次是白球,请问罐中白球所占的比例最有可能是多少?
很多人马上就有答案了:70%。而其后的理论支撑是什么呢?
我们假设罐中白球的比例是p,那么黑球的比例就是1-p。因为每抽一个球出来,在记录颜色之后,我们把抽出的球放回了罐中并摇匀,所以每次抽出来的球的颜 色服从同一独立分布。
这里我们把一次抽出来球的颜色称为一次抽样。题目中在一百次抽样中,七十次是白球的,三十次为黑球事件的概率是P(样本结果|Model)。
如果第一次抽象的结果记为x1,第二次抽样的结果记为x2…那么样本结果为(x1,x2…,x100)。这样,我们可以得到如下表达式:
P(样本结果|Model)
= P(x1,x2,…,x100|Model)
= P(x1|Mel)P(x2|M)…P(x100|M)
= p^ 70(1-p) ^ 30.
好的,我们已经有了观察样本结果出现的概率表达式了。那么我们要求的模型的参数,也就是求的式中的p。
那么我们怎么来求这个p呢?
不同的p,直接导致P(样本结果|Model)的不同。
好的,我们的p实际上是有无数多种分布的。如下:
那么求出 p^70(1-p) ^30为 7.8 * 10^(-31)
p的分布也可以是如下:
那么也可以求出p70(1-p)30为2.95* 10^(-27)
那么问题来了,既然有无数种分布可以选择,极大似然估计应该按照什么原则去选取这个分布呢?
答:采取的方法是让这个样本结果出现的可能性最大,也就是使得p70(1-p)30值最大,那么我们就可以看成是p的方程,求导即可!
那么既然事情已经发生了,为什么不让这个出现的结果的可能性最大呢?这也就是最大似然估计的核心。
我们想办法让观察样本出现的概率最大,转换为数学问题就是使得:
p70(1-p)30最大,这太简单了,未知数只有一个p,我们令其导数为0,即可求出p为70%,与我们一开始认为的70%是一致的。其中蕴含着我们的数学思想在里面。
三:极大自然估计的一般步骤
1,首先写出似然函数
2,取似然函数对数
3,求倒数,令倒数为0,得到似然方程。
4,求解似然方程,其解即为θ
四:极大似然估计的特点
1,比其他估计方法更简单
2,无偏或者渐进无偏的收敛性,在样本增加时,收敛性更好
3,如果假设的类条件概率模型正确,通常能获得更好的结果,但如果假设模型出现偏差,将导致很差的估计结果