KNOWECON WIKI

ARTICLE

最大似然估计

最大似然估计 (Maximum Likelihood Estimation) 最大似然估计 (MLE)，由罗纳德·费雪 (Ronald A. Fisher) 在20世纪初系统提出。其基本思想：在给定观测数据的情况下，寻找使这组数据出现的概率最大的参数值。MLE是现代统计学、计量经济学、机器学习中最常用的推断工具之一。 核心思想与似然函数 概率（参数已知，预测

浏览 58 更新 2025-10-26

最大似然估计 (Maximum Likelihood Estimation)

最大似然估计 (MLE)，由罗纳德·费雪 (Ronald A. Fisher) 在20世纪初系统提出。其基本思想：在给定观测数据的情况下，寻找使这组数据出现的概率最大的参数值。MLE是现代统计学、计量经济学、机器学习中最常用的推断工具之一。

核心思想与似然函数

概率（参数已知，预测数据）vs 似然（数据已知，评估参数）。似然函数是样本联合概率密度，看作参数 θ\theta 的函数：

L(θ∣x1,…,xn)=f(x1,…,xn∣θ)=∏i=1nf(xi∣θ)L(\theta \mid x_1, \dots, x_n) = f(x_1, \dots, x_n \mid \theta) = \prod_{i=1}^{n} f(x_i \mid \theta)

最大似然估计量：

θ^MLE=arg⁡max⁡θL(θ∣x1,…,xn)\hat{\theta}_{\mathrm{MLE}} = \arg\max_{\theta} L(\theta \mid x_1, \dots, x_n)

对数似然函数

由于对数函数是严格单调递增函数，最大化等价于最大化对数似然函数：

ℓ(θ)=ln⁡L(θ)=∑i=1nln⁡f(xi∣θ)\ell(\theta) = \ln L(\theta) = \sum_{i=1}^{n} \ln f(x_i \mid \theta)

连乘变为连加，解决数值下溢问题。最大化问题：

θ^MLE=arg⁡max⁡θℓ(θ)\hat{\theta}_{\mathrm{MLE}} = \arg\max_{\theta} \ell(\theta)

求解MLE的标准步骤

  1. 确定概率分布 f(x∣θ)f(x\mid\theta)
  2. 构建似然函数 L(θ)=∏i=1nf(xi∣θ)L(\theta) = \prod_{i=1}^{n} f(x_i \mid \theta)
  3. 取对数得到 ℓ(θ)\ell(\theta)
  4. 求偏导并设为零：∂ℓ(θ)/∂θ=0\partial \ell(\theta) / \partial \theta = 0（似然方程）
  5. 验证二阶条件（负定Hessian矩阵）

无解析解时需依赖数值优化（牛顿-拉夫逊方法、梯度下降法、EM算法）。

示例：正态分布

对于 xi∼N(μ,σ2)x_i \sim N(\mu, \sigma^2) 的i.i.d.样本，对数似然函数：

ℓ(μ,σ2)=−n2ln⁡(2π)−n2ln⁡(σ2)−12σ2∑i=1n(xi−μ)2\ell(\mu, \sigma^2) = -\frac{n}{2}\ln(2\pi) - \frac{n}{2}\ln(\sigma^2) - \frac{1}{2\sigma^2}\sum_{i=1}^{n}(x_i-\mu)^2

求导得：

μ^MLE=1n∑i=1nxi=xˉ,σ^MLE2=1n∑i=1n(xi−xˉ)2\hat{\mu}_{\mathrm{MLE}} = \frac{1}{n}\sum_{i=1}^{n}x_i = \bar{x}, \quad \hat{\sigma}^2_{\mathrm{MLE}} = \frac{1}{n}\sum_{i=1}^{n}(x_i-\bar{x})^2

均值的MLE是样本均值，方差的MLE是分母为 nn 的样本方差。

MLE的优良性质

  1. 一致性 (Consistency)：θ^MLE→pθ0\hat{\theta}_{\mathrm{MLE}} \xrightarrow{p} \theta_0（→p\xrightarrow{p} 表示概率收敛）
  2. 渐进正态性：n(θ^MLE−θ0)→dN(0,I(θ0)−1)\sqrt{n}(\hat{\theta}_{\mathrm{MLE}} - \theta_0) \xrightarrow{d} N(0, I(\theta_0)^{-1})，其中 I(θ0)I(\theta_0) 是费雪信息量
  3. 渐进有效性：大样本下方差达到克拉默-拉奥下界
  4. 不变性 (Invariance)：若 θ^\hat{\theta} 是 θ\theta 的MLE，则 g(θ^)g(\hat{\theta}) 是 g(θ)g(\theta) 的MLE

MLE在小样本中可能有偏，但偏差随样本量增加趋近于零（渐进无偏）。

应用与局限性

MLE是逻辑回归、广义线性模型、时间序列分析（如ARMA模型）、生存分析、结构方程模型等的基础。局限性包括：依赖正确模型设定、计算复杂性、小样本偏差、对异常值敏感。