В формулировке MLE что считается фиксированным, а что подбирается при максимизации функции правдоподобия?
AПараметр
θ фиксирован, а данные x подбираются под него и максимизируют значение функции L(θ|x)BФиксированы и данные
x, и параметр θ одновременно, поэтому максимизация функции L(θ|x) не нужнаCНаблюдённые данные
x фиксированы, а параметр θ рассматривается как переменная аргумент функции L(θ|x)DНичего не фиксировано: и данные
x, и параметр θ одновременно подбираются при максимизации L(θ|x)Правильный ответ. В
MLE данные фиксированы, а параметр — переменный аргумент функции правдоподобия.Разбор
Вероятность P(X=x | θ) — это функция от данных при фиксированном θ, а правдоподобие L(θ|x) — та же запись, но как функция от θ при фиксированных x. Это и позволяет «подбирать» параметр, максимизируя правдоподобие. Частая ошибка — путать L(θ|x) с P(θ|x), что уже относится к байесовскому подходу.
Проверь себя · 1/3разбор после ответа
Вы измеряете время ответа и моделируете его как
Normal(μ, σ) при известном σ. Какая точечная оценка MLE для параметра μ?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» →