Ok, nhờ câu trả lời tuyệt vời @ Mur1lo, giờ đây tôi đã hiểu rõ hơn và muốn tự mình thực hiện khái niệm trừu tượng này một cách cụ thể nhất có thể.
Giả sử chúng ta có một mẫu kết quả rút 5 đồng xu. Chúng tôi giả định rằng chúng được lấy mẫu từ một quần thể có phân phối Bernoulli với tham số thực .π0
Khi chúng tôi xem xét một lần rút tiền cụ thể với kết quả , chúng tôi có thể tính toán khả năng đăng nhập mà bệnh nhân này đã được lấy mẫu từ phân phối Bernoulli với tất cả các loại giá trị tham số, ví dụ hoặc , v.v. vì vậy, khả năng đăng nhập là một hàm ước tính khả năng cho mỗi giá trị có thể của .x3=1π=0.2π=0.9x3π
LL(π|x3)=x3ln(π)+(1−x3)ln(1−π)
Điều đó chỉ có nghĩa là nếu thì khả năng đó là và nếu đó là 0 thì khả năng đó là .x3=1π1−π
Nếu chúng ta giả định tính độc lập giữa các lần rút tiền, thì chúng ta có hàm 'trung bình' đại diện cho khả năng đăng nhập của toàn bộ mẫu n = 5 lần rút tiền.
LL(π|X)=∑xiln(π)+(n−∑(xi))ln(1−π)
Chúng tôi muốn tìm tối đa - mle = .LL(π|X)πmle
Hàm điểm là một vectơ của các đạo hàm ghi từng tham số của khả năng đăng nhập. May mắn thay trong trường hợp của chúng tôi, đó là một vô hướng đơn giản vì chỉ có một tham số. Trong một số điều kiện, nó sẽ giúp chúng tôi tìm thấy , vì tại thời điểm đó, hàm số điểm sẽ là . Chúng ta có thể tính hàm số điểm quan sát cho một lần quan sát (rút tiền xu):u(π)πmleu(πmle)=0
u(π|x3)=x3π−1−x31−π
và chức năng điểm mẫu của n = 5 bệnh nhân:
u(π|X)=∑xiπ−n−∑xi1−π
khi chúng ta đặt hàm mới nhất này thành 0, chúng ta sẽ nhận được .πmle
NHƯNG, mẫu 5 trận hòa cụ thể không liên quan gì đến kỳ vọng của chức năng tính điểm! Kỳ vọng là giá trị của hàm số điểm quan sát cho mọi giá trị có thể có của x, nhân với xác suất của giá trị đó, là hàm mật độ! Trong trường hợp của chúng tôi, x chỉ có thể nhận 2 giá trị: 0 và 1. Và hàm mật độ như chúng tôi giả định là Bernoulli với tham số :π0
E(u(π|xi))=∑x(xπ−1−x1−π)πx0(1−π0)1−x=π0π−1−π01−π
và rõ ràng là nó biến mất khi được đánh giá ở tham số thực . Giải thích trực quan là: Đối với mỗi giá trị của , tỷ lệ thay đổi trung bình trong khả năng là bao nhiêu?π0π
Các ma trận thông tin là sai về khả năng - làm thế nào nhạy cảm giải pháp của chúng tôi sẽ là dữ liệu khác nhau? (xem câu trả lời này ).
I(π|xi)=var(u(π|xi))=var(xiπ−1−xi1−π)=var(xi−ππ(1−π))=var(xi)π2(1−π)2=π0(1−π0)π2(1−π)2
và khi được đánh giá ở tham số thực nó đơn giản hóa thành:π0
I(π0|xi)=1π0(1−π0)
(xem ghi chú washington edu để biết thêm chi tiết).
Thật đáng ngạc nhiên, có một cách khác để đo mức độ nhạy cảm của khả năng trong một số nhất định ! đó là kỳ vọng của độ cong = Hessian = đạo hàm thứ hai. Khả năng của chúng ta càng dốc, chúng ta sẽ càng chính xác. Xem chi tiết trong blog của mark reidπ