截面似然的计算
上一篇文章介绍了经验似然的基本思想 :以估计总体均值参数 μ \mu μ为例, 我们是通过 ∫ x d F = μ \textcolor{red}{\int xdF=\mu} ∫xdF=μ这种约束将参数 μ \mu μ引入最大似然函数的计算中来的: l ( μ ) = sup { ∑ i = 1 n l o g ( p i ) : ∑ i = 1 n p i ( X i − μ ) = 0 , p i ≥ 0 , ∑ i = 1 n p i = 1 } l(\mu)=\sup\{\sum\limits_{i=1}^n log(p_i):\textcolor{red}{\sum\limits_{i=1}^np_i(X_i-\mu)=0},p_i\ge0,\sum\limits_{i=1}^np_i=1\} l(μ)=sup{
i=1∑nlog(pi):i=1∑npi(Xi−μ)=0,pi≥0,i=1∑npi=1}.
简单点讲,就是我们知道总体参数一定满足 ∫ x d F = μ \textcolor{red}{\int xdF=\mu} ∫xdF=μ这个约束,那么最大似然函数的计算自然就应该在所有满足这个约束的分布 F F F中去寻找,另外为了使得似然函数 l ( μ ) l(\mu) l(μ)对不同的分布函数有区分能力,需要额外添加 F < < F n F<<F_n F<<Fn ,即 p i ≥ 0 , ∑ i = 1 n p i = 1 p_i\ge 0,\sum\limits_{i=1}^n p_i=1 pi≥0,i=1∑npi=1的约束.
这次的这篇文章,我们就具体来讲一下这种截面的经验似然函数该如何进行数值计算。
上一篇文章提及:
对 l ( μ ) = sup { ∑ i = 1 n l o g ( p i ) ∑ i = 1 n p i ( X i − μ ) = 0 , p i ≥ 0 , ∑ i = 1 n p i = 1 } l(\mu)=\sup\{\sum\limits_{i=1}^n log(p_i)\sum\limits_{i=1}^np_i(X_i-\mu)=0,p_i\ge0,\sum\limits_{i=1}^np_i=1\} l(μ)=sup{
i=1∑nlog(pi)i=1∑npi(Xi−μ)=0,pi≥0,i=1∑npi=1} 使用Lagrange算子方法,求出 p i , ξ , λ p_i,\xi,\mathbf{\lambda} pi,ξ,λ的表达式或者满足的约束,但是落实到实际的计算中,我们还没讲该怎么计算,这篇文章就是来说明这个问题的:
说明
:这里的计算指的是给定一个 μ \mu μ,计算出 l ( μ ) l(\mu) l(μ).
经验似然最核心的计算是计算截面经验似然函数
l ( μ ) = − n l o g ( n ) − ∑ i = 1 n l o g { 1 + λ ∗ T ( X i − μ ) } l(\mu)=-nlog(n)-\sum\limits_{i=1}^nlog\{1+\lambda_*^T(X_i-\mu)\} l(μ)=−nlog(n)−i=1∑nlog{
1+λ∗T(Xi−μ)}
其中 λ ∗ = λ ∗ ( μ ) \lambda_*=\lambda_*(\mu) λ∗=λ∗(μ)是满足如下约束的隐式解:
∑ i = 1 n X i − μ 1 + λ T ( X i − μ ) = 0 \sum\limits_{i=1}^n\frac{X_i-\mu}{1+\lambda^T(X_i-\mu)}=0 i=1∑n1+λT(Xi−μ)Xi−μ=0
注意,根据分母不能为0的原则,上述方程应该在 Ω μ = { λ : 1 + λ T ( X i − μ ) > 0 , i = 1 , 2 , . . , n } \Omega_\mu=\{\lambda:1+\lambda^T(X_i-\mu)>0,i=1,2,..,n\} Ωμ={
λ:1+λT(Xi−μ)>0,i=1,2,..,n}中求解!
因为我们的目标是给定 μ \mu μ计算 l ( μ ) l(\mu) l(μ) ,所以我们以下假设 μ \mu μ是已知且固定的。另外为了叙述方便,我们记 Y i = X i − μ Y_i=X_i-\mu Yi=