问题标签 [mle]

因此，我已经阅读了有关使用 MLE 在 R 中拟合 student-t 的信息，但似乎总是位置和比例参数是最令人感兴趣的。我只想将学生-t（如维基百科所述）拟合到通常被认为像标准法线一样分布的数据，所以我可以假设平均值为 0，比例为 1。我该怎么做是 R？

我正在学习准分离如何影响 R 二项式 GLM。我开始认为在某些情况下这并不重要。

在我的理解中，当某些因素水平的线性组合可以完全识别故障/非故障时，我们说数据具有准分离性。

因此，我在 R 中创建了一个具有准分离的人工数据集：

然后当 x1=1 和 x2=1 (obs 3) 时，数据总是不会失败。在这个数据中，我的协变量矩阵有三列：截距、x1 和 x2。

在我的理解中，准分离会导致无限价值的估计。所以 glm fit 应该失败。但是，以下 glm fit 不会失败：

结果是：

标准。即使使用准分离，错误似乎也很合理。谁能告诉我为什么准分离不影响 glm 拟合结果？

我正在使用 Python 进行 MLE 实现。我的对数似然函数有 5 个要估计的参数，其中两个具有必须介于 0 和 1 之间的约束。我可以使用 statsmodels 包中的 GenericLikelihoodModel 模块实现 MLE，但我不知道如何使用约束执行此操作。具体来说，我的负对数似然函数是

和 MLE 优化类是

主要是

我不知道如何修改我的代码以合并约束。我希望 alpha 和 sigma 介于 0 和 1 之间。

我想找到以下分布和密度函数参数的最大似然估计（MLE）：

对于 x>0、a、c>0、b>1 和 d <1。

我编写了以下 R 代码来查找数据集的 MLE：

正如我在一些论文中看到的，参数估计的结果应该如下：

我怎么解决这个问题？

所以，我有这些功能：

用于解释 y 中的数据，

我希望使用 optim 来最大化可能性，所以我定义了一个似然函数：

我尝试使用 optim 来适应

但我收到一个错误：

我不确定为什么？我可以运行 nls 将 funk2(x,l,r) 拟合到 y

这意味着 funk2 正在工作。我想这是我设计的 LL 函数的问题，我无法弄清楚！请帮忙！

我学习了很多关于使用 MLE 训练 n-gram 模型的文档，但是当我注意到所有的实现只是通过计算 n-gram 来计算条件概率时，我的问题是与 MLE 有什么关系？

我想估计 3p Weibull 分布的尺度、形状和阈值参数。

到目前为止，我所做的如下：

参考这篇文章，Fitting a 3 parameter Weibull distribution in R

我已经使用了这些功能

“预先估计”我的 Weibull 参数，以便我可以将它们用作 MASS-Package 的“fitdistr”函数中参数“start”的初始值。

你可能会问我为什么要估计参数两次......原因是我需要估计的方差-协方差矩阵，它也是由 fitdistr 函数估计的。

例子：

这对于形状参数大于 1 的情况非常有效。不幸的是，我的方法应该处理形状参数可能小于 1 的情况。

对于小于 1 的形状参数，这是不可能的原因如下所述：http ://www.weibull.com/hotwire/issue148/hottopics148.htm

在案例 1 中，所有三个参数都是未知的，如下所述：

“定义 ti 的最小失效时间为 tmin。那么当 γ → tmin 时，ln(tmin - γ) → -∞。如果 β 小于 1，则 (β - 1)ln(tmin - γ) 变为 + ∞ . 对于 β、η 和 γ 的给定解，我们总是可以找到另一组解（例如，通过使 γ 更接近 tmin），这将给出更大的似然值。因此，不存在 β 的 MLE 解， η 和 γ。"

这很有意义。出于这个原因，我想按照他们在此页面上描述的方式进行操作。

“在 Weibull++ 中，使用基于梯度的算法来找到 β、η 和 γ 的 MLE 解。γ 范围的上限任意设置为 tmin 的 0.99。根据数据集，局部最优或 0.99tmin 作为 γ 的 MLE 解返回。"

我想为 gamma 设置一个可行的间隔（在我的代码中称为“thres”），以便解决方案介于 (0, .99 * tmin) 之间。

有谁知道如何解决这个问题？

在函数 fitdistr 中似乎没有机会做一个受约束的 MLE，约束一个参数。

另一种方法是通过分数向量的外积来估计渐近方差。得分向量可以取自上述使用的函数 thetahat.weibul(x)。但是手动计算外积（没有函数）似乎非常耗时，并没有解决约束 ML 估计的问题。

最好的问候，蒂姆

我正在尝试使用 ML 估计删失数据的三参数 Weibull 分布的参数。

我已经通过使用flexsurv我定义了“自己的”密度函数的包来解决这个问题。

我还按照函数文档中给出的说明flexsurv::flexsurvreg构建了包含所有必需信息的列表，以使用客户密度函数执行 MLE。

在下面你可以看到我到目前为止所做的。

变量 y 应该代表一个单元的状态，其中 1 是失败的，0 是在审查之前未失败的单元。

形状和比例的初始值取自fitdistrplus包中定义的矩。

对于阈值参数，必须有一个约束，因为阈值必须确实小于数据的最小值。因此，阈值的约束在其最大值 .99 * t_min 将是令人满意的（这是我直到现在还没有实现的东西）。

上述 MLE 的输出如下：

即使有审查，估计的参数也不好。我已经用其他随机生成的数据做了几次这个过程......估计总是离“真相”很远。

因此，我需要改进我的代码或另一种可能性来估计具有 MLE 的三参数 Weibull 的参数。

我正在使用 R {fExtremes} 为我的数据（向量）找到 GEV 分布的最佳参数。但收到以下错误消息

solve.default(fit$hessian) 中的错误：Lapack 例程 dgesv：系统完全是奇异的：U[1,1] = 0

我回溯到 fit$hessian，发现我的 hessian 矩阵是一个奇异矩阵，所有元素都是 0。gevFit()的源代码 ( https://github.com/cran/fExtremes/blob/master/R/GevFit.R ) 显示 fit$hessian 是由 optim() 计算的。输出参数与初始参数的值完全相同。我想知道导致此问题的数据可能是什么问题？我在这里复制了我的代码

我在谷歌文档上更新了我的数据集： https ://docs.google.com/spreadsheets/d/1IRRpjmdrrJPhNmfiLism_P0efV_Ot4HlEsa6kwMnljc/edit?usp=sharing

我的朋友目前正在研究使用最大似然估计 (MLE) 方法估计时间序列模型 SARIMAX（季节性 ARIMA 外生）参数的作业。他使用的数据是2000-2012年的月降雨量，以印度洋偶极子（IOD）指数为外生变量。这是数据：

在此过程中，他使用R它是因为它具有用于分析 SARIMAX 模型的软件包。到目前为止，他一直在使用arimax()具有季节性 ARIMA 订单 (1,0,1) 的 TSA 包的功能做得很好。

所以在这里我附上他的语法：

结果如下：

虽然他声称语法是有效的，但他的讲师期望更多。从理论上讲，因为他使用了 MLE，他已经证明了对数似然函数的一阶导数给出了隐式解。这意味着估计过程无法用 MLE 分析完成，因此我们需要继续使用数值方法来完成它。

所以这是我朋友的讲师的期望。他希望他至少可以说服他确实需要以数值方式进行估计，如果是这样，他也许可以向他展示 R 使用的方法（数值方法，例如 Newton-Raphson、BFGS、 BHHH 等）。

但这里的问题是该arimax()函数没有让我们选择数值方法来选择是否需要以数值方式执行估计，如下所示：

以上'method'为估计方法，可用方法为ML, CSS,和CSS-ML。很明显，上面的 sintax 不包含数值方法，这就是问题所在。

那么有没有可能知道R使用什么数值方法的方法？或者我的朋友只是构建自己的程序而不依赖于arimax()函数？

如果我的代码中有任何错误，请告诉我。我也为任何语法或词汇错误道歉。英语不是我的母语。