Giải thích khả năng đăng nhập

Tôi gặp khó khăn trong việc diễn giải một số kết quả. Tôi đang làm một hồi quy liên quan phân cấp với ecoreg. Nếu tôi nhập mã, tôi nhận được đầu ra với tỷ lệ cược, tỷ lệ tin cậy và khả năng đăng nhập tối đa gấp 2 lần.

Tuy nhiên, tôi không hoàn toàn hiểu làm thế nào để diễn giải khả năng nhật ký tối đa hóa gấp 2 lần. Theo như tôi biết thì khả năng đăng nhập được sử dụng như một cách thuận tiện để tính toán khả năng và nó tính toán giá trị của các tham số dựa trên kết quả. Nhưng tôi không hiểu giá trị cao hơn hay thấp hơn là tốt hơn. Tôi đã xem xét một số nguồn trực tuyến, ví dụ /programming/2343093/what-is-log-likabilities , nhưng tôi vẫn bị mắc kẹt.

Dưới kết quả tôi nhận được:

Call:
eco(formula = cbind(y, N) ~ deprivation + meanIncome, binary = ~fracSmoke + 
    soclass, data = dfAggPlus, cross = cross)

Aggregate-level odds ratios: 
                   OR        l95        u95
(Intercept) 0.0510475 0.03837276 0.06790878
deprivation 0.9859936 0.88421991 1.09948134
meanIncome  1.0689951 0.95574925 1.19565924

Individual-level odds ratios:
                OR       l95      u95
fracSmoke 3.124053 2.0761956 4.700765
soclass   1.001050 0.9930815 1.009083

-2 x log-likelihood:  237.4882 

Vì vậy, làm thế nào tôi nên giải thích một giá trị là 237.4882 so với kết quả là 206 hoặc 1083? Giúp đỡ được nhiều đánh giá cao!

Để có được ít nhất một số ý nghĩa ngoài khả năng L, bạn có thể nhớ rằng đối với số lượng mẫu cố định N, khả năng đăng nhập tối đa cho một mô hình phân phối nhất định phụ thuộc chủ yếu vào thang đo. Đối với phương sai đã cho, phân phối chuẩn có giá trị cao nhất. Để hiểu rõ hơn, tôi sẽ chia logL cho N, và sau đó có thể điều chỉnh tỷ lệ. Nếu dữ liệu của bạn phù hợp hơn với phân phối thống nhất, thì tốt hơn là sử dụng khả năng thống nhất là hàm entropy tối đa cho phạm vi đã cho làm một loại tham chiếu. Một giá trị tham chiếu chung khác có thể dành cho trường hợp liên tục sử dụng mức khớp KDE và để tính L cho giá trị này. Tuy nhiên, bất cứ điều gì bạn làm L khó diễn giải hơn, ví dụ như giá trị KS hoặc lỗi rms.
Nếu bạn lấy một mô hình khác và nhận được L cao hơn, điều đó không có nghĩa là mô hình đó tốt hơn, bởi vì có thể bạn đang ở trong một tình huống quá mức. Để bao gồm điều này sử dụng giá trị AIC. Ở đây thấp hơn là tốt hơn và một lần nữa bạn có thể sử dụng phân phối bình thường làm "tham chiếu".