極大似然估計,只是一種概率論在統計學的應用,它是參數估計的方法之一。
求最大似然估計量 的一般步驟:
- 寫出似然函數
- 對似然函數取對數,並整理
- 求導數
解似然方程。
最大似然估計的特點:
1) 比其他估計方法更加簡單
2)收斂性:無偏或者漸進無偏,當樣本數目增加時,收斂性質會更好
3)如果假設的類條件概率模型正確,則通常能獲得較好的結果。但如果假設模型出現偏差,江東安置非常差的估計結果。
最大似然估計的目的就是:利用已知的樣本結果,反推最有可能(最大概率)導致這樣結果的參數值。
極大似然原理最簡單的理解就是:樣本所展現的狀態便是所有可能狀態中出現概率最大的狀態。多數情況下我們是根據已知條件來推算結果,而最大似然估計是已經知道了結果,然後尋求使該結果出現的可能性最大的條件,以此作爲估計值。
極大似然估計的例子:
現在有一個黑箱子裏面有標有1或2的球共100個,現在從中有放回的抽取10個球,結果爲{1,2,2,2,1,2,2,1,2,2},估計標有1的球在黑箱子裏面有多少個。
我們不妨把標有1的球設爲 個,那麼抽到1的概率 ,這裏簡單記做p,則產生實驗結果{1,2,2,2,1,2,2,1,2,2}的概率爲 ,這裏的待估計參數爲 ,但是爲了方便不妨把待估參數看做 。那麼極大似然估計法的目標就是調整p使得總概率P最大!換句話說,P是一個關於p的函數,不妨記做 。
爲了後續計算,對P取對數。
爲了使 最大,那麼求導可知
可以計算出p = 0.3, 即待估計參數 的極大似然估計值爲30個。
原理:極大似然估計是建立在極大似然原理的基礎上的一個統計方法,是概率論在統計學中的應用。極大似然估計提供了一種給定觀察數據來評估模型參數的方法,即:“模型已定,參數未知”。通過若干次試驗,觀察其結果,利用試驗結果得到某個參數值能夠使樣本出現的概率爲最大,則稱爲極大似然估計。
由於樣本集中的樣本都是獨立同分布,可以只考慮一類樣本集D,來估計參數向量 。記已知的樣本集爲:
D = { }
似然函數(likehood function):聯合概率密度函數 成爲相對於{ }的 的似然函數。
如果 是參數空間中能使似然函數 最大的 值, 應該是“最有可能”的參數值,那麼 就是 的極大似然估計量。它是樣本集的函數,記做:
稱作極大似然函數估計值
求解極大似然函數
ML估計:求使得出現該組樣本的概率最大的 值。
實際中爲了便於分析,定義了對數似然函數:
1)未知參數只有一個( 爲標量)
在似然函數滿足連續、可微的正則條件下,極大似然估計量是下面微分方程的解:
2)未知函數有多個( 爲向量)
則 可表示爲具有S個分量的未知向量:
記梯度算子:
若似然函數滿足連續可導的條件,則最大似然估計量就是如下方程的解。