«统计学完全教程»笔记：极大似然估计

什么是极大似然估计

极大似然估计是求怎样的参数可使观测值发生概率最大。

后面的一切都是从这个思想展开。

即最优化问题：

$$ \hat{\theta}_{n}=\arg \max _{\theta} p_{X}\left(x_{1}, \cdots, x_{n} ; \theta\right) $$

或（对于连续随机变量）

$$ \hat{\theta}_{n}=\arg \max _{\theta} f_{X}\left(x_{1}, \cdots, x_{n} ; \theta\right) $$

如何运用呢？

通过例子理解

Bernoulli 分布

假设有不均匀硬币，观测向量 $\mathbf{A} = X_1, \cdots ,X_n$（$X_i = 1$ 表示正面向上，$X_i = 0$ 表示反面向上 ）。显然 $\mathbf{A}$ 发生的概率是是每次投掷事件的概率的乘积。假设正面概率是 $p$ ，则：

$\mathbb{P}(X = \mathbf{A}) = p^k(1 -p)^{n-k}$

我们的目标是求出 $\mathbb{P}(X = \mathbf{A})$ 最大时，参数 $p$ 的值。方便起见，求对数（因为不影响其单调性）：

$$ \mathcal{L}_n(p) = \ln ( \mathbb{P}(A) ) = k \ln p + (n-k)\ln (1-p) $$

为了求其极值时 $p$ 的取值，求导（注意 1 - p 求导后符号改变）。

$$ \begin{align} & \mathcal{L}_n'(p) = \dfrac{k}{p} + \dfrac{n-k}{ \color{red}{p-1} } = 0 \\ & \Leftrightarrow -k + kp + np - kp = 0 \\ & \Leftrightarrow p = \dfrac{k}{n} \\ \end{align} $$

而 $k = \sum_{i = 1}^{n} X_i$ (因为 $X_i = 1$ 表示正面向上)

因此极大似然估计为

$$ \hat{\theta }_n = \dfrac{\sum_{i = 1}^{n} X_i}{n} $$

Poisson 分布

令 $ X_{1}, X_{2}, \ldots, X_{n} \sim \operatorname{Poisson}(\lambda) $, 求 $ \lambda $ 的极大似然估计.

解：

我们要求出观测向量 $A = X_1, \cdots ,X_n$ 概率最大时的 $\lambda $，而要使观测向量整体作为一个事件发生，则各个事件 $X_i$ 都要发生。这种我们用乘积表示。

即概率表示为 $\mathbb{P}(A) = \mathbb{P}(X = X_1; \lambda )\mathbb{P}(X = X_2; \lambda ) \cdots \mathbb{P}(X = X_n; \lambda )$

而泊松分布的分布列 $P(X = X_i) = \dfrac{\lambda ^{X_i} e ^ {-\lambda }}{X_i !}$

代入并取对数：

$$ \begin{align} \ell _n (\lambda ) &= \sum_{i = 1}^{n} \ln (\dfrac{\lambda ^ {X_i} e ^{-\lambda }}{X_i!}) \\ &=\sum_{}^{} X_i \ln \lambda - \lambda - \ln X_i! \\ \end{align} $$

求个导：

$$ \ell ^\prime (\lambda ) = -n + \sum_{}^{} \dfrac{X_i}{\lambda } $$

令它为 $0$ ：

$$ \sum_{}^{} \dfrac{X_i}{\lambda } - \dfrac{1}{X_i!} = 0 $$

解得 $\hat{\lambda } = \bar{X}$