Latar Belakang:
Saya mencoba mengikuti review Princeton tentang estimasi MLE untuk GLM .
Saya memahami dasar-dasar estimasi MLE: likelihood
, score
, diamati dan diharapkan Fisher information
dan Fisher scoring
teknik. Dan saya tahu bagaimana membenarkan regresi linier sederhana dengan estimasi MLE .
Pertanyaan:
Saya bahkan tidak mengerti baris pertama dari metode ini :(
Apa intuisi di balik variabel kerja didefinisikan sebagai:
Mengapa mereka digunakan sebagai pengganti untuk memperkirakan ?
Dan apa hubungan mereka dengan response/link function
yang merupakan hubungan antara dan
Jika ada yang punya penjelasan sederhana atau bisa mengarahkan saya ke teks yang lebih mendasar tentang ini saya akan berterima kasih.
Jawaban:
Beberapa tahun yang lalu saya menulis makalah tentang ini untuk murid-murid saya (dalam bahasa Spanyol), jadi saya dapat mencoba menulis ulang penjelasan itu di sini. Saya akan melihat IRLS (iteratively reweighted least square) melalui serangkaian contoh peningkatan kompleksitas. Sebagai contoh pertama kita membutuhkan konsep keluarga skala lokasi. Biarkan menjadi fungsi kerapatan yang berpusat pada nol dalam arti tertentu. Kita dapat membangun keluarga kepadatan dengan mendefinisikan f ( x ) = f ( x ; μ , σ ) = 1f0
manaσ>0adalah parameter skala danμadalah parameter lokasi. Dalam model kesalahan pengukuran, di mana biasanya istilah kesalahan dimodelkan sebagai distribusi normal, kita dapat menggantikan distribusi normal menggunakan keluarga skala lokasi seperti dibangun di atas. Ketikaf0adalah distribusi normal standar, konstruksi di atas memberikan keluargaN(μ,σ).
Sekarang kita akan menggunakan IRLS pada beberapa contoh sederhana. Pertama-tama kita akan menemukan estimator ML (kemungkinan maksimum) dalam model dengan kerapatan f ( y ) = 1
Berikut ini kami memberikan ujian numerik menggunakan R, untuk model eksponensial ganda (dengan skala diketahui) dan dengan data
y <- c(-5,-1,0,1,5)
. Untuk data ini nilai sebenarnya dari penaksir ML adalah 0. Nilai awal akan menjadimu <- 0.5
. Salah satu pass dari algoritma adalahdengan fungsi ini Anda dapat bereksperimen dengan melakukan iterasi "dengan tangan" Kemudian algoritma iteratif dapat dilakukan oleh
Untuk saat ini saya akan meninggalkannya di sini, saya akan melanjutkan posting ini.
sumber