fitnlm之后MATLAB R2017B LogLikelihood中的小错误？

Question

Background：我正在研究与链接[1]中描述的非线性逻辑回归相似的问题（我的问题更为复杂，但是链接[1]对于本文的下一部分来说就足够了）。将我的结果与使用R包并行获得的结果进行比较，我得到了相似的系数结果，但是（非常近似）相反的对数似然。

假设： fitnlm在Matlab中给出的logLikelihood实际上是负LogLikelihood。（请注意，这因此削弱了Matlab的BIC和AIC计算）

Reasonning：在[1]中，通过两种不同的方法解决了相同的问题。 ML方法/通过定义否定LogLikelihood并使用fminsearch进行优化。 GLS方法/使用fitnlm。

最大似然法之后的负对数似然是：380

GLS方法之后的负对数似然是：-406

我想第二个应该至少乘以（-1）？

问题：我错过了什么吗？（-1）系数是否足够，或者这种简单的校正不够吗？

自包含代码：

%copy-pasting code from [1]
        myf = @(beta,x) beta(1)*x./(beta(2) + x);
        mymodelfun = @(beta,x) 1./(1 + exp(-myf(beta,x)));
        rng(300,'twister');
        x    = linspace(-1,1,200)';
        beta = [10;2];
        beta0=[3;3];
        mu = mymodelfun(beta,x);
        n = 50;
        z = binornd(n,mu);
        y = z./n;
%ML Approach
        mynegloglik = @(beta) -sum(log(binopdf(z,n,mymodelfun(beta,x))));
        opts = optimset('fminsearch');
        opts.MaxFunEvals = Inf;
        opts.MaxIter = 10000;
        betaHatML = fminsearch(mynegloglik,beta0,opts)
        neglogLH_MLApproach = mynegloglik(betaHatML);

%GLS Approach
        wfun = @(xx) n./(xx.*(1-xx));
        nlm = fitnlm(x,y,mymodelfun,beta0,'Weights',wfun)      
        neglogLH_GLSApproach = - nlm.LogLikelihood;

来源：

[1] https://uk.mathworks.com/help/stats/examples/nonlinear-logistic-regression.html