나는 경험적 가능성에 대해 배우는 오웬의 책보다 더 좋은 곳은 없다고 생각합니다.
을 생각하는 한 가지 실용적인 방법 은 관측 된 데이터 포인트 x 1 , … , x n 에 대한 다항 분포의 가능성과 같습니다 . 따라서 가능성은 확률 벡터 ( p 1 , … , p n ) 의 함수이고, 모수 공간은 실제로 확률 벡터 의 n 차원 심플 렉스이며 MLE은 가중치 1 / n을 적용합니다.L=L(p1,…,pn)x1,…,xn(p1,…,pn)n1/n각 관측치에 대해 (모두 다르다는 가정하에) 모수 공간의 차원은 관측치 수에 따라 증가합니다.
핵심 포인트는 경험적 가능성은 파라 메트릭 모델을 지정하지 않고 프로파일 링하여 신뢰 구간을 계산하는 방법을 제공한다는 것입니다. 경우] 관심 파라미터가 평균이다 다음 임의의 확률 벡터에 대해 P = ( P 1 , ... , P에 해당 ) 우리는 평균 인 것을 μ ( P ) = N Σ 난 = 1 X I P I를 ,
우리 로 프로파일 가능성을 계산할 수 있습니다
μp=(p1,…,pn)
μ(p)=∑i=1nxipi,
I r = { μ ∣ L prof ( μ ) ≥ r L prof ( ˉ x ) } r ∈ ( 0 , 1 ) ˉ x L prof ( ˉ x ) = n − nLprof(μ)=max{L(p)∣μ(p)=μ}.
다음 우리는 폼의 신뢰 구간을 산출 할 수
와 . 여기서 는 실험적인 평균이며 입니다. 적용 범위에 대한 진술이 선행되지 않기 때문에 구간 은 아마도 (프로필) 가능성 구간이라고 부릅니다. 줄이면 구간 (예 : 구간)이 중첩되어 신뢰 구간이 증가합니다. 예를 들어 점근 이론 또는 부트 스트랩을 사용하여 을 교정 하여 95 % 적용 범위를 달성 할 수 있습니다 .
Ir={μ∣Lprof(μ)≥rLprof(x¯)}
r ∈ ( 0 , 1 )엑스¯엘교수( x¯) = n− n r 나는 r r나는아르 자형아르 자형나는아르 자형아르 자형
Owen의 책은이를 자세히 설명하고보다 복잡한 통계 문제 및 기타 관심있는 매개 변수에 대한 확장을 제공합니다.