Что делает метод максимального правдоподобия (MLE) при получении точечной оценки параметра?
AВыбирает значение параметра, которое минимизирует
p-value теста на согласие с моделью на наблюдаемой выборке.BВыбирает значение параметра, при котором наблюдаемые данные имеют максимальное правдоподобие в рамках заданной модели.
CВыбирает значение параметра так, чтобы смещение оценки относительно истинного значения было заведомо равно нулю.
DВыбирает значение параметра, которое всегда минимизирует дисперсию оценки независимо от размера выборки и распределения.
Правильный ответ.
MLE выбирает значение параметра, которое делает наблюдаемые данные наиболее правдоподобными в рамках заданной модели.Разбор
В MLE вы задаёте вероятностную модель и ищете значение параметра, максимизирующее правдоподобие наблюдений. Это не про вероятность самого параметра, а про то, насколько хорошо параметр объясняет данные. Типичная ошибка — считать, что MLE автоматически гарантирует несмещённость, минимальную дисперсию или устойчивость к выбросам. Эти свойства зависят от модели и часто верны лишь асимптотически.
Проверь себя · 1/3разбор после ответа
В формулировке
MLE что считается фиксированным, а что подбирается при максимизации функции правдоподобия?Ещё вопросы по теме «Точечные оценки и MLE»
- Вы оцениваете вероятность конверсии `p` по выборке: из 100 пользователей 56 оплатили. Что является точечной оценкой параметра `p`?
- Что означает свойство несмещённости для оценки θ_hat параметра θ?
- Как лучше всего описать состоятельность последовательности оценок `θ_hat_n`?
- Есть две оценки одного параметра: `θ_hat_A` несмещённая, но с высокой дисперсией; `θ_hat_B` слегка смещённая, но с низкой дисперсией. По какому критерию можно оправданно выбрать `θ_hat_B` как более полезную точечную оценку?
- Две оценки параметра `θ` обе обладают свойством несмещённости. У `θ_hat_A` дисперсия меньше, чем у `θ_hat_B` на том же размере выборки. Что можно сказать про эффективность (интуитивно)?
- Все вопросы по «Точечные оценки и MLE» →