问题标签 [mle]

我真的很难理解 R 中的 MLE 计算。

如果我从exp(λ)分布中获得大小为 6 的随机样本，则会产生观察结果：

我计算出MLE如下

并得到 1.111667（我不是 100% 确定我做这部分是对的）。

但是，当我尝试使用 RI 对数值计算进行编码时，要么得到错误，要么得到不匹配的答案。

给我

本来我有

但我一直在

我正在尝试编写代码来使用以下 函数方程的最大似然来确定 g、sigma 和 lambda 。我需要限制间隔以确保方程不采用负数的对数，但是，它出现了错误“L-BFGS-B 需要有限值”。我能做些什么来解决这个问题？

我使用我知道的正态分布的权重随机生成 1000 个数据点。现在我试图最小化 -log 似然函数来估计 sig^2 的值和权重。我从概念上理解了这个过程，但是当我尝试对其进行编码时，我就迷失了。

这是我的模型：

我已经在谷歌上搜索了一段时间，我了解到 scipy.stats.optimize.minimize 函数对此很有用，但我无法让它正常工作。我尝试过的每个解决方案都适用于我从中获得解决方案的示例，但我无法将其推断为我的问题。

我发现方程 error( w ) = .5*sum(poly(x_n, w ) - y_n)^2 与最小化权重误差有关，因此可以最大化我对权重的可能性，但我没有不明白如何编写代码...我发现 sig^2 有类似的关系，但有同样的问题。有人可以澄清如何做到这一点来帮助我的曲线拟合吗？也许去发布我可以使用的伪代码？

我是 MATLAB 环境的新手，无论我多么努力，似乎我都无法理解如何为多元伯努利构造 ML 算法。

我有一个包含 N 个变量 (x1,x2,...,xN) 的数据集，每个变量都是一个 D 维向量 (Dx1)，参数向量的形式为 p=(p1,p2,...,pD ) . 所以伯努利分布应该有以下形式：

我创建的代码使用 MATLAB 的 mle 函数：

这给了我一个来自数据集的估计概率的 D 向量。但是，我真正感兴趣的是如何在逐步的 MATLAB 过程中实现 ML，而不仅仅是使用 mle。

非常感谢。

我正在做一个模拟研究，我写了下面的 R 代码。有没有办法在不使用两个循环的情况下编写这段代码for，或者让它更高效（运行得更快）？

func1第二个循环内的函数for用于nlm函数（当错误分布为 t 时查找 mle）。我想parallel在 R 中使用包，但我没有找到任何有用的功能。

我想使用该函数来获取分布的mle估计值。但我得到的荒谬估计远不及 1 和 3。abUnif(a,b)

我有：

有什么想法吗？先感谢您！

我正在研究 R（初学者）中的损失规避模型，并希望从具有 3 列（损失/增益值（连续和决策编码为 0 或 1（二进制）的列）的数据集）的数据集中估计一些参数。 com/s/fpw3obrqcx8ld1q/GrandAverage.RData?dl=0 如果必须使用我正在使用的代码部分如下所示：

我使用 mle 函数来估计 3 个参数（lambda、alpha 和 temp），没有 alpha 我收到此输出，例如：

ML.estim1 调用：mle(minuslogl = Beh.Parameters, start = list(lambda = 1, temp = temp_s), nobs = length(set$Decision)) 系数： lambda temp 1.298023 1.041057

当我尝试在没有 alpha 参数的情况下运行它时，它可以正常工作，但是当我包含它时，我收到了这两个错误：

optim(start, f, method = method, hessian = TRUE, ...) 中的错误：非有限有限差分值 [2]（对于第一个 MLE） optim(start, f, method = method, hessian) 中的错误= TRUE, ...) : 'vmmin' 中的初始值不是有限的（对于第二个 MLE）

我尝试重新编码矩阵、奇异值分解、BFGS 等。欢迎提供任何帮助......在此先感谢。

任何人都可以帮助我构建基于点状轮廓似然性的伽马 cdf 置信区间吗？

我知道为估计的伽马参数构建基于轮廓似然的置信区间，但不是为估计的 cdf。帮助我学习理论和使用 R 编程的编码！

提前致谢。

我有一个练习，我得到了 5 个数据点：

x1 = 10, x2 = 7, x3 = 1, x4 = 15, x5 = 8独立生成。

对于第一部分，我被告知他们遵循参数 theta 的泊松分布，我被要求找到 theta 的最大似然估计。

我计算argmax(theta) of ln(x1,x2,x3,x4,x5 | theta)并得到了结果

theta = 41/5 = 8.2.

对于第二部分，我被问到同样的事情，但这次我被告知他们遵循参数 theta 的指数分布。

我做了同样的微积分，得到的结果是

theta = 5/41 = 0.12.

现在我被问到这两个分布（泊松或指数）中的哪一个最有可能产生 5 个点（x1、x2、x3、x4、x5）。

基本上，我需要找出这两个分布中哪一个最有可能产生 5 个点，基于（我相信）我为这两个分布计算的 theta。

但我似乎无法弄清楚我需要找到的这两个概率的形式是什么。是MAP概率吗？P(θ | x1,x2,x3,x4,x5) ? 如果是，我可以使用贝叶斯公式得到

P(x1,x2,x3,x4,x5 | theta) * P(theta) / P(x1,x2,x3,x4,x5)。但是什么是 P(theta) 和 P(x1,x2,x3,x4,x5) ？

有任何想法吗？