问题标签 [log-likelihood]

我试图获得用于生存分析的 Gumbel 分布的对数似然的最大似然估计量（我这样说是为了让你不会被对数似然函数迷惑，我认为它是正确的）。为了做到这一点，我必须通过使用 optim 函数来最大化负对数似然，我试图这样做，但控制台在 fn(par, ...) 中给了我一个错误：缺少参数“b”，没有默认值。

我也尝试以与此链接的答案类似的方式执行此操作：在约束条件下使用两个参数求解最大似然性，但控制台游戏我如下： optim(c(1, 1), function(x) 中的错误) log_lhood(x[1], x[2], d = lung$status, : 优化中的目标函数计算为长度 0 而不是 1。

我试图区分多元正态分布的对数似然函数，

使用D，我区分mu和sigma并将每个结果存储在一个单独的变量中：

但是，这两个结果都返回0。我做错了什么，还是我误解了什么D？如果有帮助，我的目标du是ds使用solve.

我目前正在使用 fmincon 来最小化 18*18 矩阵的对数似然函数。虽然在较小的问题上算法非常快，但在当前设置中收敛大约需要 2 小时 - 因为我正在迭代这个最小化问题，运行代码可能需要长达 2 周的时间。

是否有基于 matlab 的免费替代 fmincon 可以提高此类特定问题的速度？（这里讨论了昂贵的解决方案，这里讨论了非 matlab 解决方案。）或者我需要从 matlab 调用例如 python 脚本吗？

我要最小化的功能：

并通过以下方式调用它：

（我已经尝试了不同的 fmincon 算法而没有太大改进）。注意，T 相当大~3000。A和A0是一个18*18的矩阵，Sigma_e是T*18，U是T*18

我注意到一些关于integral2 的奇怪事实。这些可能是由于我在理解它的工作原理方面存在局限性。当我有特定的功能时，我在整合变量时遇到了一些困难。例如，看下面的代码：

在这种情况下，评估积分没有问题。但是如果我以这种方式更改代码，我会得到一些错误，尽管 F2 的输出完全相同：

例如，如果 F2 有一些矩阵乘法，其中涉及我想要积分的“eta_1”和“eta_2”，问题就会增加。这个问题实际上使解决计算变得不可能，例如，我们必须积分出一个位于似然函数内部的变量 X（其计算可能需要一些内部循环，或 Sum，或涉及我们的变量 X 的 Prod）。解决办法是什么？

由于贝叶斯因子，我想计算给定数据集的模型的边际可能性，以便将其与另一个进行比较。

我使用 PyMC 2 来获取每个模型的每个参数的后分布。

这是原理（我使用了MCMC）：

现在我不知道如何实现边际可能性。

先感谢您。

我想计算多元线性回归的对数似然。我不确定这段代码是否正确。

我已经使用 mvtnorm r 包中的 dmvnorm 函数计算了对数似然性。

我不确定结果是否正确。

此外，请让我知道是否有其他策略可以计算多元线性回归的对数似然。

假设我有一个如下数据集：

有一篇论文发表在公共经济学杂志上，名为：收入的边际效用，由 Layard、Nickell 和 Mayraz 撰写。rho他们在公式中使用最大似然估计：

我想使用glmR 中的包来做类似的事情。但是，我不确定如何将此公式写入glm函数。有没有人有这方面的经验？

rho这个想法是使用0.1 - 3 范围内的起始值，增量为 0.1。

我有一个简单的泊松模型，具有未观察到的正态分布的异质性 eta。这可以通过将 eta 从对数似然中积分来解决。但是，当我尝试这样做时，它会产生错误的系数，我不明白为什么。代码如下所示。它应该相应地返回接近 0.018 和 0.013 的 beta 和 sigma 系数，但事实并非如此。

我正在尝试为我在 R 中的候选模型集构建一个 AIC 表，这些模型使用mlogit. 我曾经使用过glm和glmer过去，并且一直使用包AICcmodavg和aictab提取值并创建模型选择表。这个包似乎不起作用mlogit，所以我想知道除了使用对数似然值手动计算之外，是否还有其他方法可以在 R 中创建 AIC 表？

mlogit 模型输出示例：

模型运行示例（来自我的 14 个候选集）

定义候选集列表

我偶然发现了一个关于基于 AIC 的模型选择的问题。出于预测目的，我想选择 AIC 最低的模型。我首先拟合了一个 ARIMA 模型，得到了 AIC_arima = -952.37。

在那之后，我想看看 ARIMA-GARCH 模型将如何与此进行比较。为了拟合模型，我使用了 R 中“rugarch”包中的 ugarchfit() 函数。参数的选择方式使得 AIC 最小化。

奇怪的是，AIC 现在是 -3.4688，表明 ARIMA 模型比 ARIMA-GARCH 模型要好得多，我认为这相差太大了。我进行了更深入的研究，发现了这一点：

由于 AIC 计算如下：

AIC= 2*k - 2*logLik，其中 k 是估计的参数数量。

输出不应该是 AIC = 2*9 - 2*510.2484 = -1002.4968，导致选择 ARIMA-GARCH 吗？

希望有人可以帮助我解决我出错的地方。

亲切的问候，T鹅