Yudi Pawitan 그의 책에 기록 십중팔구 최대 우도 추정 (MLE)에서 평가 로그 - 가능성의 이차 미분이 있음을 관찰 피셔 정보 (항목 이 문서를 , 2 페이지). 이것이 바로 대부분의 최적화 알고리즘 optim
이 R
대가로하는 것과 같습니다 . 때 부정적인로그 가능성이 최소화되고, 부정적인 Hessian이 반환됩니다. 올바르게 지적했듯이 MLE의 추정 표준 오차는 관측 된 Fisher 정보 매트릭스의 역의 대각선 요소의 제곱근입니다. 다시 말해, Hessian (또는 음의 Hessian) 역의 대각선 요소의 제곱근은 추정 된 표준 오차입니다.
요약
- MLE에서 평가 된 음성 Hessian은 MLE에서 평가 된 관찰 된 Fisher 정보 매트릭스와 동일합니다.
- 주요 질문과 관련하여 : 아닙니다 . (음수) Hessian을 반전시켜 관찰 된 Fisher 정보를 찾을 수있는 것은 올바르지 않습니다 .
- 두 번째 질문과 관련하여 : (음수) 헤 시안의 역수는 점근 적 공분산 행렬의 추정값입니다. 따라서 공분산 행렬의 대각선 요소의 제곱근은 표준 오차의 추정값입니다.
- 나는 당신이 연결하는 두 번째 문서가 잘못되었다고 생각합니다.
공식적으로
를 로그 우도 함수라고 하자 . 피셔 정보 행렬 대칭 인 항목 함유 매트릭스 :
관찰 피셔 정보 행렬은 단순히 정보 행렬은 최대 가능성 추정치 (MLE)에서 평가됩니다. Hessian은 다음과 같이 정의됩니다 :
l(θ) I(θ)(p×p)
I(θ)=−∂2∂θi∂θjl(θ), 1≤i,j≤p
I(θ^ML)H(θ)=∂2∂θi∂θjl(θ), 1≤i,j≤p
모수와 관련하여 우도 함수의 2 차 도함수 행렬 외에는 아무것도 없습니다.
음의 로그 우도 를 최소화하면 반환 된 Hessian은 관측 된 Fisher 정보 매트릭스와 동일하지만 로그 우도를 최대화하는 경우
음의 Hessian은 관찰 된 정보 매트릭스입니다.
또한 Fisher 정보 행렬의 역수는 점근 공분산 행렬의 추정값입니다.
표준 오차는 공분산 행렬의 대각 요소의 제곱근입니다. 최대 우도 추정치의 점근 분포를 위해
여기서 은 실제 매개 변수 값을 나타냅니다. 따라서 최대 우도 추정치의 추정 표준 오차는 다음과 같이 계산됩니다.
Var(θ^ML)=[I(θ^ML)]−1
θ^ML∼aN(θ0,[I(θ^ML)]−1)
θ0SE(θ^ML)=1I(θ^ML)−−−−−−√