问题标签 [log-likelihood]
For questions regarding programming in ECMAScript (JavaScript/JS) and its various dialects/implementations (excluding ActionScript). Note JavaScript is NOT the same as Java! Please include all relevant tags on your question; e.g., [node.js], [jquery], [json], [reactjs], [angular], [ember.js], [vue.js], [typescript], [svelte], etc.
python - 为什么 _joint_log_likelihood 有很大的负值
如何解释 _joint_log_likelihood 的大负值。假设数据气体只有 T/F 类变量。
输出 -
正在加载数据集...完成加载... [1e-07, 1e-06, 1e-05, 0.0001, 0.001, 0.01, 0.1, 1, 10, 100, 1000, 10000, 100000, 1000000, 10000000] 训练集精度-2076.9291 -1865.0913 -1653.2535 -1441.4161 -1229.5828 -1017.7904 -806.4090 -599.2828 -433.6816 -393.0386 -393.9880 -394.3349 -394.3729 -394.3767 -394.3771 -32191.9825 -32125.2076 -32058.4325 -31991.6569 -31924.8758 -31858.0396 -31790.7286 -31723.9835 -31809.0404 -34359.6845 -44846.6500 -50567.2306 -51394.1834 -51480.5729 -51489.2505 -9399.8784 -8674.5640 -7949.2493 -7223.9305 -6498.5714 -5772.8111 -5043.1794 -4285.4285 -3557.9619 -4441.6394 -7156.1042 -7949.3959 -8043.5842 -8053.1794 -8054.1407 -353033.8920 -353017.7734 -353001.6555 -352985.5397 -352969.4446 -352953.5568 -352939.8490 -352954.5902 -353374.1657 -358382。4072 -409460.4788 -733413.0483 -1191967.4850 -1306874.0175 -1320147.6708 -3180.1231 -3180.1231 -3180.1231 -3180.1227 -3180.1193 -3180.0847 -3179.7394 -3176.3400 -3147.0704 -3059.4605 -3189.5939 -3280.1913 -3292.5986 -3293.8829 -3294.0118 -4574.8093 -4574.8093 -4574.8092 -4574.8085 - 4574.8016 -4574.7321 -4574.0420 -4567.5747 -4534.8631 -4827.2279 -5720.8408 -5979.6362 -6010.0678 -6013.1640 -6013.4741 -12062.2160 -11525.7137 -10989.2111 -10452.7065 -9916.1810 -9379.4479 -8840.6448 -8281.8848 -7575.0972 -6582.4242 -6736.2181 -7272.9840 -7364.0583 -7373.7458 - 7374.7206 -5259.2360 -5259.2360 -5259.2360 -5259.2361 -5259.2374 -5259.2503 -5259.3793 -5260.7374 -5279.3215 -5554.7885 -6477.3544 -6868.2764 -6919.7250 -6925.0321 -6925.5645 -3514.5228 -3489.1943 -3463.8658 -3438.5362 -3413.1960 -3387.7507 -3361.3059 -3328.3483 -3321.7284 -4067.7458 -5939.6312 -6559.4446 -6635.7135 -6643.5165 -6644.2986 -16439.2193 -16439.2192 -16439.2186 -16439.2126 -16439.1520 -16438.5472 -16432.5838 -16380.1945 -16158.3379 -16977.7163 -21690.7497 -23938.6506 -24244.2920 -24275.9518 - 24279.1292
Test set accuracies -1053.7924 -945.5709 -837.3494 -729.1282 -620.9093 -512.7138 -404.7524 -299.1838 -215.8272 -196.2691 -196.9655 -197.1646 -197.1862 -197.1883 -197.1886 -15989.8827 -15957.6465 -15925.4103 -15893.1734 -15860.9307 -15828.6299 -15795.8012 -15761.3437 - 15802.3473 -17104.9942 -22402.1020 -25280.9583 -25696.8189 -25740.2591 -25744.6225 -4534.7085 -4177.8078 -3820.9070 -3464.0050 -3107.0909 -2750.0567 -2391.8688 -2025.7431 -1695.5868 -2189.5685 -3580.8558 -3984.4531 -4032.3297 -4037.2065 -4037.6951 -177068.0250 -177042.6961 -177017.3678 - 176992.0408 -176966.7274 -176941.5493 -176917.7628 -176910.2919 -177109.2109 -179594.7458 -205083.1285 -366890.6006 -596016.9983 -653440.6438 -660074.2024 -1620.5941 -1620.5941 -1620.5940 -1620.5938 -1620.5919 -1620.5727 -1620.3805 -1618.4869 -1602.0804 -1548.8017 -1601.9069 -1644.1081 -1649.9448 -1650.5496 -1650.6103 -2300.3443 -2300.3443 -2300.3443 -2300.3440 -2300.3405 -2300.3063 -2299.9661 -2296.7773 -2280.6516 -2426.8969 -2874.4986 -3004.2282 -3019.4848 -3021.0371 -3021.1926 - 6679.6097 -6357.2478 -6034.8857 -5712.5225 -5390.1476 -5067.6560 -4744.0017 -4409.1390 -3991.1972 -3405.6240 -3400.4154 -3643.0063 -3685.1813 -3689.6778 -3690.1304 -2566.8863 -2566.8863 -2566.8863 -2566.8864 -2566.8872 -2566.8959 -2566.9826 -2567.8859 -2579.5423 -2735.3703 - 3228.0735 -3432.8776 -3459.7340 -3462.5032 -3462.7809 -1767.5406 -1758.3303 -1749.1199 -1739.9090 -1730.6931 -1721.4272 -1711.6835 -1698.6756 -1696.0342 -2056.3261 -2977.0952 -3283.5231 -3321.2606 -3325.1219 -3325.5089 -8463.1185 -8460.8158 -8458.5130 -8456.2073 -8453.8744 -8451.2691 -8445.9788 -8417.2311 -8295.8823 -8635.8290 -10888.2128 -11982.1214 -12131.2829 -12146.7887 -121482.
r - 有效评估多元正态
我想评估由多元正态密度产生的数据点。我必须针对不同的均值和协方差矩阵评估每个数据点。对于每个观察，我有两种方法来评估可能性。此外，我总体上有两个不同的方差协方差矩阵。目前，我只考虑二维正态分布。
基本上，我必须做很多多变量可能性评估，我正在寻找一种方法来更快地做到这一点。这是一些示例代码（以下数据）：
我想要做的是以下内容：获取第一个数据点，使用来自观察 1 的均值 A 和协方差矩阵 A 对其进行评估。使用来自观察 1 和协方差矩阵 B 的均值 B 对其进行评估。获取第二个数据点，评估它相对于属于观察 2/协方差矩阵 A 的均值 A。然后使用来自观察 2/协方差矩阵 B 的均值 B 对其进行评估，依此类推。
我在这里准备了 10 个数据点以及 10*2 平均向量和 2 个方差协方差矩阵。不必保留列表结构，它只是在编码过程中自然产生的。
在单变量设置中，可以通过使用 dnorm() 是矢量化的事实来获得足够快的性能。因此，在这种情况下不需要 N 次迭代。
谢谢！
r - 使用“bife”包的固定效应 logit 模型的拟合优度
我正在使用“bife”包在 R 中运行固定效应 logit 模型。但是，鉴于下面的结果，我无法计算任何拟合优度来测量模型的整体拟合。如果我能知道如何在有限的信息下测量拟合优度，我将不胜感激。我更喜欢卡方检验，但仍然找不到实现这一点的方法。
log-likelihood - Wald 统计的似然比检验
我为我的非受限模型和受限模型的 LL 编写了一个代码，并使用 optim 优化了这些代码。我的测试是检查 2 个标准差是否相同。现在我想检查我的约束是否为真，我使用了统计 w=(s1-s2)/sqrt(vars1_vars2-2cov(s1,s2) 但是，它不起作用？我做错了什么？
r - 计算 R 中偏斜正态分布的对数似然
假设只有形状参数是未知的。
# 可能性
我计算对数似然的方式是否正确？但是，我收到了一些警告信息。这是什么原因？还有其他方法可以计算skew normal distributionin的对数似然R吗？
先感谢您。
r - 如何在对数似然函数中添加约束？
我有一个时间序列模型（INGARCH）：
其中 t 是观察或数据的长度，alpha0、alpha1 和 beta1 是参数。
X_t是数据系列，lambda_t 是均值系列。
该模型具有 的条件alpha1 + beta1 < 1。
在我的估计中，我想alpha1 + beta1 <在我的代码中添加 1 的条件，我在对数似然函数中添加了一个 while 循环，但循环无法停止。
我能做些什么来解决这个问题？有没有其他方法可以在alpha1 + beta1 < 1不使用 while 循环的情况下添加约束？
以下是我的代码：
tensorflow - Tensorflow: Modify datapoints used in loss function evaluation after each gradient step using tf optimizer
Typically a tf optimizer flow is as follows:
How can I modify this flow so as loss function is computed using different datapoints after each optimizer step and these datapoints are computed as a function of the updated parameters?
Say that I have a stochastic process which has a certain parameterization and parameter values are learned by gradient descent. After updating the parameter values, I have to resample points from this process and evaluate the likelihood on these points (instead of the points I used in my previous step). Can I easily incorporate this in a typical tf optimizer? Conceptually, is similar to batch gradient descent, however datapoints of each batch are generated over the gradient descent loop in a way that depends on the parameter values of the previous iteration.
r - 积分的最大值
我有一个关于参数 a、b、p、q 的积分。我的数据 x 的概率密度函数是
我想使用 GB2PdfCalc 对此进行积分：
但是，我想根据 a、b、p、q 最大化这个积分。最终，我想计算一个最大似然函数。在这里使用 mle(pdfIntegration) 或 optim() 对我没有帮助。有人有想法吗？
python - 如何计算给定分布的值的可能性？
我试图得到一个分数，告诉我一个值是否属于分布的概率。得分可能我错误地称为可能性。例如：
在这种情况下，我的分数应该很低，即使 b = 15 我也想要一个低分，否则如果 b = 10 我会得到高分，或者如果 b = 100 会更糟。
我尝试使用核密度在我的数据 A 上拟合高斯混合，然后尝试获得 b 的分数。但这似乎不是我真正想要的。
您对以更好的方式对问题建模有什么建议吗？
编辑：A 是从神经网络生成的值列表，b 是我试图预测的真实值。KernelDensity 似乎不太好，因为例如当 A 和 b 是：
分数高于第一种情况，但应该相同。
matlab - 在 MATLAB 中编写对数似然函数
我正在关注 Quantitative Finance 的一篇非常详细的帖子，但是，我的问题是编码问题。
我正在尝试估计 GARCH(1,1) 模型（不使用统计工具箱，而是使用长手方法，原因是我真的很想了解模型的来龙去脉）。
我已经发布了一张我需要完成的步骤的图片以方便，
我坚持如何在 MATLAB 中编写这种对数似然。我基本上需要在迭代中最大化对数相似性：
我的尝试：
谁能指出我正确的方向来使用函数的最大似然估计？
我从尝试中得到的错误：