在使用最小二乘法和极大似然法时将显示方法表。
最小二乘法
最小二乘估计值是通过将回归线拟合到数据集中的点来计算的,这些数据集具有最小的平方差和(最小二乘误)。
极大似然法
似然函数指明了观测的样本作为可能参数值函数的几率有多大。因此,通过最大化似然函数,可以确定最可能产生观测数据的参数。从统计学观点来看,一般建议对大样本使用 MLE,因为此方法是通用的,适用于大多数模型和不同类型的数据,而且会产生最精确的估计值。

比较各种方法

在许多情况下,LS 和 MLE 结果之间的差异非常小,因而这两种方法可以互换使用。您可能希望同时运行这两种方法并查看其结果是否可以相互印证。如果结果不同,您可能希望找出其中原因。如果不一致,您也可以使用更保守的估计值,或者考虑两种方法的优点,然后再针对您的问题做出选择。

  LSE MLE
偏倚 是(对于小样本)。但会随着样本数量的不断增加而降低
估计方差 较大 较小
P 值 精确度较高 精确度较低
系数 精确度较低 精确度较高
删失数据 可靠性较低,在极端情况下不可用 甚至在极端情况下可靠性也较高

根据其相对强度,可以对分析的不同部分一同使用 LSE 和 MLE。请使用 LSE 的更精确的 p 值来选择要在模型中包括的项,并使用 MLE 估计最终系数。

使用此网站,即表示您同意对数据分析和个性化内容使用 Cookie。  请阅读我们的政策