极大似然估计ML是stata给sem默认的估计方法。极大似然估计的逻辑是,在θ的一系列可能取值中,选取一个使似然函数值L(θ)最大的。它的似然函数为:
上式中,S是全部显变量组成的样本协方差矩阵。tr[SΣ-1(θ)]是矩阵SΣ-1(θ)的迹,即该矩阵的对角线元素之和。Log|Σ(θ)|是Σ(θ)的行列式的对数,Log|S|是矩阵S的行列式的对数,p、q分别是内生、外生显变量的个数。在大样本情况下,如果S与Σ(θ)越接近,则Log|Σ(θ)|与Log|S|越接近,而tr[SΣ-1(θ)]也越接近(p+q),则FML越小。如果S=Σ(θ),则FML=0。故而,使FML达到最小值的估计量称为θ的最大似然估计。
大多数似然函数并没有解析解,待估参数只能以似然函数的隐函数形式存在,只能用数值计算的方法求出其数值解或近似解。极大似然估计ML就没有解析解而只有数值解,使用迭代法来求解。迭代法(Iterative Method)是利用计算机运算速度快、适合做重复性操作的特点,让计算机对一组指令进行重复执行,在每次执行这组指令时,都从变量的一个初始值出发寻找一系列近似解来解决问题(一般是解方程或方程组)的过程。跟迭代法对应的是直接法