极大似然估计(Maximum Likelihood Estimate)MLE
百度百科中解释:极大似然估计,只是一种概率伦在统计学中的应用,它是参数估计的方法之一。说的是已知某个随机样本满足某种概率分布,但是其中具体的参数不清楚,参数估计就是通过若干次实验,观察其结果,利用结果推出参数的大概值。极大似然估计是建立在这样的思想,已知某个参数能使这个样本出现的概率最大,我们当然不会再去选择其他小的概率大样本,所以干脆就把这个参数作为估计大真实值
极大似然估计主要有两种
1.离散型统计模型:
其概率分布为。
L(θ) 表示为样本的似然函数
2.连续型统计模型
f(xi;θ)表示概率密度函数,∏_(i=1)^n▒〖f(xi;θ)〗表示其联合概率密度
似然函数的直观意义:刻画参数θ与数据的匹配程度
假设共有n个样本,x的取值为1,或者2,其中x取1有n1个,x取2有n2个;n1+n2=n
设有
x | 1 | 2 |
---|---|---|
p | θ | 1- θ |
直观表示θ=n1/n; 1- θ=n2/n
使用似然函数表示法:
使L(θ)最大化,
即是求导数,但是由于似然函数本身的复杂性,所以让其求导简单化,所以求极大似然函数估计值的一般步骤为:
(1) 写出似然函数;
(2) 对似然函数取对数,并整理;
(3) 求导数 ;
(4) 解似然方程 。
使得导数为0
得出
从上述例子得知,极大似然估计是找到一个统一的方法,使得解出的概率让其和直觉得出的结果相统一。