拓端tecdat|R语言辅导Wald检验 vs 似然比检验

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了拓端tecdat|R语言辅导Wald检验 vs 似然比检验相关的知识,希望对你有一定的参考价值。

R语言Wald检验 vs 似然比检验

 

在开展基于概率推理的课程时,关键主题之一是基于似然函数的检验和置信区间构建。通常包括Wald,似然比和分数检验。在这篇文章中,我将修改Wald和似然比检验的优缺点。我将重点关注置信区间而不是检验 。

 

示例

我们将X表示观察到的成功次数的随机变量,x表示其实现的值。似然函数只是二项式概率函数,但参数是模型参数。 所以MLE只是观察到的比例。

 

Wald置信区间 

如果我们使用将参数空间(在我们的示例中为区间(0,1))映射到整个实线的变换,那么我们保证在原始比例上获得仅包括允许参数值的置信区间。

 

拓端tecdat|R语言辅导Wald检验

拓端tecdat|R语言辅导Wald检验

 

对于概率参数绘制的n = 10,x = 1的二项式示例的对数似然函数:

从视觉上我们可以看出,对数似然函数在绘制时 实际上不是二次方。下图显示了相同的对数似然函数,但现在x轴是对数几率:

拓端tecdat|R语言辅导Wald检验

拓端tecdat|R语言辅导Wald检验

 

二项式的对数似然函数n = 10 x = 1检验,相对于对数几率。

 

似然比置信区间

虽然似然比方法具有明显的统计优势,但计算上Wald区间/测试更容易。在实践中,如果样本量不是太小,并且Wald间隔是以适当的比例构建的,它们通常是合理的。然而,在小样本中,似然比方法可能是优选的。

 

如果您有任何疑问,请在下面发表评论。   

 

 


以上是关于拓端tecdat|R语言辅导Wald检验 vs 似然比检验的主要内容,如果未能解决你的问题,请参考以下文章

拓端tecdat|R语言辅导解释生存分析中危险率和风险率的变化

拓端tecdat|Python代写辅导使用神经网络进行简单文本分类

拓端tecdat|python辅导基于粒子群优化的投资组合优化研究

拓端tecdat|R语言代码编写相关分析和稳健线性回归分析

拓端tecdat|R语言Bootstrap的岭回归和自适应LASSO回归可视化

拓端tecdat|R语言代写使用混合模型进行聚类