极大似然估计最早在1821年首先由咱们的数学王子,高斯所提出。不过人们普遍认为这一方法的广大应用还是主要归功于,现代统计学的奠基人之一,英国统计学习费舍尔。从1912年起,他建立了以最大似然估计为中心的点估计理论。
实际上,极大似然估计很直观,按照字面理解,极大似然估计的意思就是最大那种可能的估计。而这种思想,不夸张地说,在咱们日常生活中也是充满了极大似然估计的身影。
咱们举个例子:
假如有一天你和基友阿翔在上学的途中,看到有一个前面一个身影进了你们等下正要上课的教室。前面的身影走得比较快,你仅仅看到是ta有一把长发。这个时候,你的基友阿翔问你,“咦,前面这个同学走得很快哦,没有看清,是男生还是女生?”
于是,你站在路上想了一下,酷酷地回答说,“是个女生”。
好了,这确实是一个极大似然估计思考的过程,让我们简单回顾一下:
你看到了一个人走进课室,并且看到ta是长头发的。尽管这个同学可能是男的,也可能是女,但是你根据经验判断,女生的长头发的可能性有95%,男生长头发的可能性只有4%,于是,你根据这个可能性做出了判断,她是一个女生。没错,这种按照可能性最大的猜测正是极大似然估计的思想。
好了,接下来,让我们正式定义极大似然估计方法:
接下来,我们不妨把极大似然估计应用在一元回归分析中进行举例,同时也可以与最小二乘法结果进行比较:
留意到,对于上式最大值,也就是我们需要对右边部分取得最小值,也即
这与我们最小二乘法的目标是完全一致的!这显然是一个有趣的结果。
值得注意的是,在极大似然估计中,我们是假定了随机误差需要服从正态分布,这也提示我们,对于极大似然估计,我们的结果是对我们对于随机变量所假设的概率分布有依赖性的,因此也就要求我们要有一定的先验知识。
最后,咱们简单总结一下极大似然估计的步骤:
((1)根据概率密度函数写出似然函数;
(2)对似然函数取对数,并整理;
3)对对数似然函数求解最大值(一般可以通过求导数解得);
近期热门文章精选(点击标题即可阅读):
1.统计挖掘那些事-超详尽回归分析指南(理论+动手案例)
2.数据收集宝鉴|教你找到合适的数据源(1)——国家数据
3.超级干货|李航-袁春《统计学习方法》完整课件
4.1024|今天我们聊聊下一代搜索技术:知识图谱
5.统计挖掘那些事-9个相关R先生的故事(理论+动手案例)
作者简介:浩彬老撕
好玩的IBM数据工程师,
立志做数据科学界的段子手,
致力知识分享,每月至少一次送书活动