-
本质:这是在总体类型已知条件下使用的一种参数估计方法
-
引入问题:同学和猎人外出打猎,突然一只野兔出现,砰的一声,野兔被枪击倒,你猜是谁将野兔打倒的呢?
答:猎人击倒野兔的可能性大,因此应该是猎人打倒的
-
基本思想:选择一个参数使得实验结果具有最大概率。
-
原理:设
X1,X2,...,Xn是取自总体X的一个样本,样本的联合密度(连续型)或联合概率函数(离散型)为
f(X1,X2,...,Xn;θ)。
当给定样本
X1,X2,...,Xn时,定义似然函数为:
L(θ)=f(X1,X2,...,Xn;θ)
L(θ)看作参数
θ的函数,它可作为
θ将以多大可能产生样本值
X1,X2,...,Xn的一种度量。
极大似然估计法就是用使
L(θ)达到最大值的
θ^去估计
θ.
L(θ^)=maxθL(θ)
称
θ^为
θ的极大似然估计(Maximum Likelihood Estimation)
-
极大似然估计(MLE)的一般步骤:
(1)由总体分布导出样本的联合概率函数(或联合密度);
(2)把样本联合概率函数(或联合密度)中自变量看成已知常数,而把参数
θ看作自变量,得到似然函数
L(θ);
(3)求似然函数
L(θ)的最大值点(常常转化为求
lnL(θ)的最大值点),即
θ的MLE;
(4)在最大值点的表达式中,用样本值带入就得参数的极大似然估计值
注意:
(1)求似然函数
L(θ)的最大值点,可以应用微积分中的技巧。由于
ln(x)是
x的增函数,
lnL(θ)与
L(θ)在
θ的同一值处达到它的最大值,假定
θ是一实数,且
lnL(θ)是
θ的一个可微函数。通过求解所谓的”似然方程“:
dθdlnL(θ)=0
可以得到
θ的MLE。
若
θ是向量,上述方程必须用似然方程组代替。
(2)用上述求导方法求参数的MLE有时行不通,这时要用极大似然原则(使似然函数
L(θ)值最大)来求
-
e.g 以联合概率函数为例
设
X1,X2,...,Xn是取自总体
X~
B(1,p)的一个样本,求参数p的极大似然估计
第一步:由总体分布导出样本概率函数;
总体的分布:
X~
B(1,p)→P(X=x)=px(1−p)1−xx=0,1
于是,样本的联合分布为:
P(X1=x1,X2=x2,...,Xn=xn)=P(X1=x1)P(X2=x2),...,P(Xn=xn)
=∏i=1npxi(1−p)1−xi=p∑i=1nxi(1−p)n−∑i=1nxi
第二步:把样本联合概率函数(或联合密度)中自变量看成已知常数,而把参数
θ看作自变量,得到似然函数
L(θ);
似然函数为:
L(p)=f(X1,X2,...,Xn;p)=i=1∏npxi(1−p)1−xi=p∑i=1nxi(1−p)n−∑i=1nxi
第三步:求似然函数
L(θ)的最大值点(常常转化为
lnL(θ)的最大值点),即
θ的MLE;
对数似然函数为:
lnL(p)=i=1∑nxiln(p)+(n−i=1∑nxi)ln(1−p)
对p求导并令其为0,得
dpdlnL(p)=p1i=1∑nxi−1−p1(n−i=1∑nxi)=0∴p=n1i=1∑nxi=x
第四步:在最大值点的表达式中,用样本值代入就得参数的极大似然估计值;
得
p^=n1∑i=1nxi=x,即为p的MLE。
于是,p的极大似然估计量为
p^=n1∑i=1nXi=X
这一估计量与矩估计量是相同的。
-
e.g 以联合密度函数为例
设
X1,X2,...,Xn是取自总体X的一个样本
X~
f(x)={θxθ−1,0<x<10,其它
其中
θ>0,求
θ的极大似然估计。
似然函数为
L(θ)=i=1∏nθxiθ−1=θn(i=1∏nxi)θ−1(0<xi<1,1≤i≤n)
对数似然函数为
lnL(θ)=nlnθ+(θ−1)i=1∑nlnxi
求导并令其为0
dθdlnL(θ)=θn+i=1∑nlnxi=0
解得
θ^=−∑i=1nlnxin
即为
θ的MLE
-
e.g 以极大似然原则为例
设
X1,X2,...,Xn取自总体X的一个样本
X~
f(x)={θ1e−(x−μ)/θ,x≥μ0,其它
θ,μ为未知参数,其中
θ>0,求
θ,μ的极大似然估计
解:似然函数为
L(θ,μ)={∏i=1nθ1e−(xi−μ)/θ0,xi≥μ,i=1,2,...,n其它={θn1e−θ1∑i=1n(xi−μ),0,min xi≥μ其它
对数似然函数为:
lnL(θ,μ)=−nlnθ−θ1i=1∑n(xi−μ)
对
θ,μ分别求偏导并令其为0,
∂θ∂lnL(θ,μ)=−θn+θ21i=1∑n(xi−μ)=0(1)
∂μ∂lnL(θ,μ)=θn=0(2)
由(1)得:
θ=n1∑i=1nxi−μ
由(2)得:无解!
θn>0恒成立
用求导方法无法最终确定
θ、μ,用极大似然原则来求。
对
min xi≥μ,L(θ,μ)>0,且是
μ的增函数
故要使
L(θ,μ)达到最大,则
μ=min xi,即
μ的MLE
根据定义域,有
μ∗=min1≤i≤nxi,即
θ∗,μ∗为
θ,μ的MLE。
于是
θ∗=n1∑i=1nxi−μ∗
-
极大似然估计的一个性质:
设
θ的函数
g=g(θ)是
θ上的实值函数,且有唯一反函数。如果
θ^是
θ的MLE,则
g(θ^)也是
g(θ)的极大似然估计
e.g 一罐中装有白球和黑球,有放回地抽取一个容量为n的样本,其中有k个白球,求罐中黑球与白球之比R的极大似然估计。
解:设
X1,X2,...,Xn为所取样本
Xi={1,0,取到白球取到黑球
其中
i=1,2,...,n,则
X1,X2,...,Xn是取自
B(1,p)的样本,p是每次抽取时取到白球的概率,p未知,求p的MLE。
似然函数为
L(p)=P(Y=k;p)=(nk)pk(1−p)n−k
对数似然函数为
lnL(p)=ln(nk)+klnp+(n−k)ln(1−p)
对p求导并令其为0
dpdlnf(p)=pk−1−pn−k=0
解得
p^=nk
对一切的
0<p<1,均有
P(Y=k;p^)≥P(Y=k;p)
由极大似然估计的性质可得,
R=p1−p的MLE是
R^=p^1−p^=kn−1