背景:我正在研究一个类似于链接 [1] 中描述的非线性逻辑回归的问题(我的问题更复杂,但链接 [1] 对于本文的下一部分来说已经足够了)。将我的结果与与 R 包并行获得的结果进行比较,我得到了相似的系数结果,但(非常近似)相反的 logLikelihood。
假设: matlab中fitnlm给出的logLikelihood实际上是负LogLikelihood。(请注意,这会损害 Matlab 的 BIC 和 AIC 计算)
推理:在[1]中,同一个问题通过两种不同的方法解决。ML-approach/ 通过定义负对数似然并使用 fminsearch 进行优化。GLS 方法/通过使用 fitnlm。
ML 方法后的负对数似然为:380
GLS 方法后的负对数似然为:-406
我想第二个应该至少乘以(-1)?
问题:我错过了什么吗?(-1) 系数是否足够,或者这种简单的修正还不够?
自包含代码:
%copy-pasting code from [1]
myf = @(beta,x) beta(1)*x./(beta(2) + x);
mymodelfun = @(beta,x) 1./(1 + exp(-myf(beta,x)));
rng(300,'twister');
x = linspace(-1,1,200)';
beta = [10;2];
beta0=[3;3];
mu = mymodelfun(beta,x);
n = 50;
z = binornd(n,mu);
y = z./n;
%ML Approach
mynegloglik = @(beta) -sum(log(binopdf(z,n,mymodelfun(beta,x))));
opts = optimset('fminsearch');
opts.MaxFunEvals = Inf;
opts.MaxIter = 10000;
betaHatML = fminsearch(mynegloglik,beta0,opts)
neglogLH_MLApproach = mynegloglik(betaHatML);
%GLS Approach
wfun = @(xx) n./(xx.*(1-xx));
nlm = fitnlm(x,y,mymodelfun,beta0,'Weights',wfun)
neglogLH_GLSApproach = - nlm.LogLikelihood;
资源:
[1] https://uk.mathworks.com/help/stats/examples/nonlinear-logistic-regression.html