Yudi Pawitan viết trong cuốn sách In All Likabilities rằng đạo hàm thứ hai của khả năng đăng nhập được đánh giá ở mức ước tính khả năng tối đa (MLE) là thông tin của Fisher được quan sát (xem thêm tài liệu này , trang 2). Đây chính là điều mà hầu hết các thuật toán tối ưu hóa như optim
trong R
trở lại: Hessian đánh giá tại MLE. Khi âmkhả năng đăng nhập được giảm thiểu, Hessian âm được trả lại. Như bạn đã chỉ ra một cách chính xác, các lỗi tiêu chuẩn ước tính của MLE là căn bậc hai của các phần tử đường chéo của nghịch đảo của ma trận thông tin Fisher được quan sát. Nói cách khác: Căn bậc hai của các phần tử đường chéo của nghịch đảo Hessian (hoặc Hessian âm) là các lỗi tiêu chuẩn ước tính.
Tóm lược
- Hessian âm tính được đánh giá tại MLE giống như ma trận thông tin Fisher quan sát được đánh giá tại MLE.
- Về câu hỏi chính của bạn: Không, không chính xác rằng thông tin Fisher được quan sát có thể được tìm thấy bằng cách đảo ngược Hessian (phủ định).
- Về câu hỏi thứ hai của bạn: Nghịch đảo của Hessian (âm) là một công cụ ước tính của ma trận hiệp phương sai tiệm cận. Do đó, căn bậc hai của các phần tử đường chéo của ma trận hiệp phương sai là các ước tính của các lỗi tiêu chuẩn.
- Tôi nghĩ rằng tài liệu thứ hai bạn liên kết để có nó sai.
Chính thức
Đặt là hàm khả năng đăng nhập. Các thông tin Fisher ma trận là một đối xứng ma trận chứa các mục:
Các ma trận thông tin Fisher quan sát chỉ đơn giản là , ma trận thông tin được đánh giá ở mức ước tính khả năng tối đa (MLE). Hessian được định nghĩa là:
l(θ) I(θ)(p×p)
I(θ)=−∂2∂θi∂θjl(θ), 1≤i,j≤p
I(θ^ML)H(θ)=∂2∂θi∂θjl(θ), 1≤i,j≤p
Không có gì khác ngoài ma trận các đạo hàm thứ hai của hàm khả năng liên quan đến các tham số. Theo sau, nếu bạn giảm thiểu khả năng log
âm , Hessian được trả về tương đương với ma trận thông tin Fisher được quan sát trong khi đó trong trường hợp bạn tối đa hóa khả năng log, thì Hessian
âm là ma trận thông tin được quan sát.
Hơn nữa, nghịch đảo của ma trận thông tin Fisher là một công cụ ước tính của ma trận hiệp phương sai tiệm cận:
Các lỗi tiêu chuẩn sau đó là căn bậc hai của các phần tử đường chéo của ma trận hiệp phương sai. Để phân phối tiệm cận của ước tính khả năng tối đa, chúng ta có thể viết
trong đó biểu thị giá trị tham số thực. Do đó, lỗi tiêu chuẩn ước tính của ước tính khả năng tối đa được đưa ra bởi:
Var(θ^ML)=[I(θ^ML)]−1
θ^ML∼aN(θ0,[I(θ^ML)]−1)
θ0SE(θ^ML)=1I(θ^ML)−−−−−−√