Câu hỏi được gắn thẻ «maximum-likelihood»

một phương pháp ước tính các tham số của mô hình thống kê bằng cách chọn giá trị tham số tối ưu hóa xác suất quan sát mẫu đã cho.


3
Làm thế nào để tìm ước tính khả năng tối đa của một tham số nguyên?
Câu hỏi CTNH : x1,x2,…,xnx1,x2,…,xnx_1,x_2,\ldots,x_n là các biến Gaussian độc lập với trung bình và variance . Xác định trong đó không xác định. Chúng tôi quan tâm đến việc ước tính từ .μμ\muσ2σ2\sigma^2y=∑Nn=1xny=∑n=1Nxny = \sum_{n=1}^{N} x_nNNNNNNyyy a. Cho xác định độ lệch và phương sai của nó.N^1=y/μN^1=y/μ\hat N_1 = …

1
Chiến lược ước tính tham số này được gọi là gì?
Đặt là một mẫu ngẫu nhiên từ một phân phối bình thường với trung bình và phương sai . Hãy xem xét vấn đề ước tính .X1,X2,…,XnX1,X2,…,XnX_1, X_2, \ldots, X_nμμ\muσ2σ2\sigma^2P(X>100)P(X>100)P(X > 100) Một cách để thực hiện điều này là tính . Công cụ ước tính "trình cắm thêm" này …

1
MLE của
Đặt là một mẫu ngẫu nhiên từ một bản phân phối với pdf X1,X2,X3,...,XnX1,X2,X3,...,XnX_{1},X_{2},X_{3},...,X_{n}f(x;α,θ)=e−x/θθαΓ(α)xα−1I(0,∞)(x),α,θ>0f(x;α,θ)=e−x/θθαΓ(α)xα−1I(0,∞)(x),α,θ>0f(x;\alpha,\theta)=\frac{e^{-x/\theta}}{\theta^{\alpha}\Gamma(\alpha)}x^{\alpha-1}I_{(0,\infty)}(x ),\alpha,\theta>0 Tìm công cụ ước tính khả năng tối đa của và . Đặtαα\alphaθθ\thetaΨ(α)=dΓ(α)dαΨ(α)=dΓ(α)dα\Psi(\alpha)=\frac{d\Gamma(\alpha)}{d\alpha} Nỗ lực của tôi, L(α,θ)===∏i=1nf(xi)∏i=1ne−xi/θθαΓ(α)xα−1i1Γn(α)⋅θnα(∏i=1nxi)α−1exp(−∑i=1nxiθ)L(α,θ)=∏i=1nf(xi)=∏i=1ne−xi/θθαΓ(α)xiα−1=1Γn(α)⋅θnα(∏i=1nxi)α−1exp⁡(−∑i=1nxiθ)\begin{eqnarray*} \mathcal{L}(\alpha,\theta)&=&\prod_{i=1}^{n}f(x_i)\\ &=&\prod_{i=1}^{n}\frac{e^{-x_i/\theta}}{\theta^{\alpha}\Gamma(\alpha)}x_i^{\alpha-1}\\ &=&\frac{1}{\Gamma^{n}(\alpha)\cdot \theta^{n \alpha}}(\prod_{i=1}^{n}x_i)^{\alpha-1}\exp(-\sum_{i=1}^{n}\frac{x_i}{\theta}) \end{eqnarray*} ℓ(α,θ)δℓ(α,θ)δθ1θ2∑i=1nxiθ^=====−nlog(Γ(α))−nαlog(θ)+(α−1)∑i=1nlog(xi)−1θ∑i=1nxi−nαθ+1θ2∑i=1nxi=0nαθ∑ni=1xinα1αx¯ℓ(α,θ)=−nlog⁡(Γ(α))−nαlog⁡(θ)+(α−1)∑i=1nlog⁡(xi)−1θ∑i=1nxiδℓ(α,θ)δθ=−nαθ+1θ2∑i=1nxi=01θ2∑i=1nxi=nαθθ^=∑i=1nxinα=1αx¯\begin{eqnarray*} \ell(\alpha,\theta)&=&-n\log(\Gamma(\alpha))-n\alpha\log(\theta)+(\alpha-1)\sum_{i=1}^{n}\log(x_i)-\frac{1}{\theta}\sum_{i=1}^{n}x_i\\ \frac{\delta \ell(\alpha,\theta)}{\delta \theta}&=&-\frac{n\alpha}{\theta}+\frac{1}{\theta^2}\sum_{i=1}^{n}x_i=0\\ \frac{1}{\theta^2}\sum_{i=1}^{n}x_i&=&\frac{n\alpha}{\theta}\\ \hat{\theta}&=&\frac{\sum_{i=1}^{n}x_i}{n\alpha}\\ &=&\frac{1}{\alpha}\bar{x}\\ \end{eqnarray*} dℓ(α,θ^)dαlog(α)−Γ′(α)Γ(α)===−n⋅Γ′(α)Γ(α)−nlog(1αx¯)+∑i=1nlog(xi)=0−n⋅Γ′(α)Γ(α)+nlog(α)−nlog(x¯)+∑i=1nlog(xi)=0log(x¯)−∑ni=1log(xi)ndℓ(α,θ^)dα=−n⋅Γ′(α)Γ(α)−nlog⁡(1αx¯)+∑i=1nlog⁡(xi)=0=−n⋅Γ′(α)Γ(α)+nlog⁡(α)−nlog⁡(x¯)+∑i=1nlog⁡(xi)=0log⁡(α)−Γ′(α)Γ(α)=log⁡(x¯)−∑i=1nlog⁡(xi)n\begin{eqnarray*} \frac{d …

2
Tại sao mã hóa điều trị dẫn đến một mối tương quan giữa độ dốc ngẫu nhiên và đánh chặn?
Xem xét một thiết kế giai thừa trong chủ đề và bên trong vật phẩm trong đó biến điều trị thử nghiệm có hai cấp độ (điều kiện). Hãy m1là mô hình tối đa và mô hình m2không tương quan ngẫu nhiên. m1: y ~ condition + (condition|subject) + (condition|item) …

2
Khả năng tối đa không phải là bất biến tái tham số. Vậy làm thế nào người ta có thể biện minh cho việc sử dụng nó?
Có điều gì đó làm tôi bối rối về các công cụ ước tính khả năng tối đa. Giả sử tôi có một số dữ liệu và khả năng theo tham số làμμ\mu L(D|μ)=e−(.7−μ)2L(D|μ)=e−(.7−μ)2 L(D|\mu) = e^{-(.7-\mu)^2} có thể nhận ra là khả năng của Gaussian lên tới tỷ lệ. …

1
Tại sao một số công thức có hệ số ở phía trước trong khả năng hồi quy logistic, và một số không?
Tôi đang rút ra khả năng hồi quy logistic. Tôi đã thấy hai phiên bản khác nhau: f( y| β) = =Πi = 1NnTôiyTôi! (nTôi-yTôi) !πyTôiTôi( 1 -πTôi)nTôi-yTôi(1)(1)f(y|β)=∏i=1Nniyi!(ni−yi)!πiyi(1−πi)ni−yi\begin{equation} f(y|\beta)={\displaystyle \prod_{i=1}^{N} \frac{n_i} {y_i!(n_i-y_i)!}} \pi_{i}^{y_i}(1-\pi_i)^{n_i - y_i} \tag 1 \end{equation} Hoặc cái này L (β0,β1) = =Πi = 1Np (xTôi)yTôi( 1 - …




1
Điều gì có thể sai với MLE nếu tôi thay thế một số ước tính giai đoạn đầu thay vì một số tham số?
Giả sử ban đầu tôi đang xử lý hàm khả năng , trong đó .đăng nhậpL (θ1, ... ,θm,θm + 1, ... ,θk)đăng nhập⁡L(θ1,Giáo dục,θm,θm+1,Giáo dục,θk)\log L(\theta_1, \ldots, \theta_m, \theta_{m+1}, \ldots, \theta_k)θj∈ Rθj∈R\theta_j \in \mathbb{R} Giả sử vì bất kỳ lý do gì, tôi đã quyết định nhập vào một …

2
Phân phối dự báo sau so với ước tính MAP
Hãy xem xét một tập dữ liệu huấn luyện , một mô hình xác suất được tham số hóa bởi và trước đó . Đối với điểm dữ liệu mới , chúng ta có thể tính bằng cách sử dụng:XXXθθ\thetaP(θ)P(θ)P(\theta)x∗x∗x^*P(x∗)P(x∗)P(x^*) một cách tiếp cận hoàn toàn bay bổng: phân phối …



1
Khoảng tin cậy 95% về dự đoán mô hình nhị thức bị kiểm duyệt ước tính bằng mle2 / khả năng tối đa
Tôi đang nghiên cứu một vấn đề trong đó tôi có nhiều cặp con đực hiện đang sống imà mỗi nithế hệ có tổ tiên được cho là thế hệ trước (dựa trên bằng chứng phả hệ) và nơi tôi có thông tin về việc có sự không phù hợp …
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.