# 十二、最大似然估计

## 1. 基本概念

### 点估计与矩估计（补充）

**点估计**：设总体分布$F(x;\theta)$中$\theta$为待估参数，构造统计量$\hat{\theta}(X_1,\ldots,X_n)$，称为$\theta$的估计量；观测值$\hat{\theta}(x_1,\ldots,x_n)$称为$\theta$的估计值。

**矩**：
- k阶原点矩：$E(X^k)$；样本k阶原点矩：$\frac{1}{n}\sum_{i=1}^n X_i^k$
- k阶中心矩：$E[(X-EX)^k]$；样本k阶中心矩：$\frac{1}{n}\sum_{i=1}^n (X_i-\bar{X})^k$

**矩估计（方法）**：令“样本矩 = 总体矩”，解出参数。
例如：令$\frac{1}{n}\sum_{i=1}^n X_i = E(X)$，得到$\bar{X} = E(X)$，再解出$\theta = \hat{\theta}(X_1,\ldots,X_n)$。

### 常见分布的矩估计与最大似然估计（速记）

| 分布 | 矩估计 | 最大似然估计 |
|---|---|---|
| 0-1分布 $b(1,p)$ | $\hat{p}=\bar{X}$ | $\hat{p}=\bar{X}$ |
| 二项分布 $B(n,p)$（n已知） | $\hat{p}=\frac{\bar{X}}{n}$ | $\hat{p}=\frac{\bar{X}}{n}$ |
| 泊松分布 $P(\lambda)$ | $\hat{\lambda}=\bar{X}$ | $\hat{\lambda}=\bar{X}$ |
| 均匀分布 $U(a,b)$ | $\hat{a}=\bar{X}-\sqrt{\frac{3}{n}\sum_{i=1}^{n}(X_i-\bar{X})^2}$，$\hat{b}=\bar{X}+\sqrt{\frac{3}{n}\sum_{i=1}^{n}(X_i-\bar{X})^2}$ | $\hat{a}=\min\{X_1,\ldots,X_n\}$，$\hat{b}=\max\{X_1,\ldots,X_n\}$ |
| 指数分布 $E(\lambda)$ | $\hat{\lambda}=\frac{1}{\bar{X}}$ | $\hat{\lambda}=\frac{1}{\bar{X}}$ |

### 无偏性（补充）

**无偏估计量**：若$E(\hat{\theta})=\theta$，则称$\hat{\theta}$为$\theta$的无偏估计量。

**常用结论**（设总体$E(X)=\mu$，$D(X)=\sigma^2$，$X_1,\ldots,X_n$为样本）：
1. $E(X_i)=\mu$，$D(X_i)=\sigma^2$
2. $E(\bar{X})=\mu$，$D(\bar{X})=\frac{\sigma^2}{n}$
3. $E(S^2)=\sigma^2$

**例**：若总体$X \sim N(\mu,\sigma^2)$，则$T=\bar{X}^2-\frac{S^2}{n}$为$\mu^2$的无偏估计量。

**最大似然估计（Maximum Likelihood Estimation, MLE）**：是一种常用的参数估计方法，基于已观测到的数据来估计统计模型中未知参数的值。其基本思想是寻找使观测数据出现概率最大的参数值。

**似然函数**：设总体X的概率分布（或密度函数）为f(x;θ)，其中θ是未知参数。给定样本观测值x₁,x₂,...,xₙ，视为参数θ的函数：
$$L(\theta) = L(\theta; x_1, x_2, ..., x_n) = \prod_{i=1}^{n} f(x_i; \theta)$$

这就是似然函数。

## 2. 最大似然估计的求解步骤

1. **写出似然函数**：
   $$L(\theta) = \prod_{i=1}^{n} f(x_i; \theta)$$

2. **取对数得到对数似然函数**（便于计算）：
   $$\ln L(\theta) = \sum_{i=1}^{n} \ln f(x_i; \theta)$$

3. **对参数θ求导并令导数等于零**：
   $$\frac{d\ln L(\theta)}{d\theta} = 0$$

4. **解方程得到最大似然估计值** $\hat{\theta}$

注：有时还需验证二阶导数小于零以确认极大值。

## 3. 常见分布的最大似然估计

### (1) 正态分布 $N(\mu, \sigma^2)$

样本：$X_1, X_2, ..., X_n$ 独立同分布于 $N(\mu, \sigma^2)$

似然函数：
$$L(\mu, \sigma^2) = \prod_{i=1}^{n} \frac{1}{\sqrt{2\pi}\sigma} e^{-\frac{(x_i-\mu)^2}{2\sigma^2}}$$

对数似然函数：
$$\ln L(\mu, \sigma^2) = -\frac{n}{2}\ln(2\pi) - \frac{n}{2}\ln\sigma^2 - \frac{1}{2\sigma^2}\sum_{i=1}^{n}(x_i-\mu)^2$$

解得最大似然估计：
- $\hat{\mu} = \bar{X} = \frac{1}{n}\sum_{i=1}^{n} X_i$（样本均值）
- $\hat{\sigma}^2 = \frac{1}{n}\sum_{i=1}^{n} (X_i - \bar{X})^2$（样本方差，注意这里是除以n而非n-1）

### (2) 泊松分布 $P(\lambda)$

样本：$X_1, X_2, ..., X_n$ 独立同分布于 $P(\lambda)$

似然函数：
$$L(\lambda) = \prod_{i=1}^{n} \frac{\lambda^{x_i} e^{-\lambda}}{x_i!}$$

对数似然函数：
$$\ln L(\lambda) = \sum_{i=1}^{n} (x_i \ln\lambda - \lambda - \ln(x_i!))$$

解得最大似然估计：
$$\hat{\lambda} = \bar{X}$$

### (3) 指数分布 $Exp(\lambda)$

样本：$X_1, X_2, ..., X_n$ 独立同分布于 $Exp(\lambda)$

概率密度函数：$f(x;\lambda) = \lambda e^{-\lambda x}$，x > 0

似然函数：
$$L(\lambda) = \prod_{i=1}^{n} \lambda e^{-\lambda x_i} = \lambda^n e^{-\lambda \sum_{i=1}^{n} x_i}$$

对数似然函数：
$$\ln L(\lambda) = n\ln\lambda - \lambda \sum_{i=1}^{n} x_i$$

解得最大似然估计：
$$\hat{\lambda} = \frac{1}{\bar{X}}$$

### (4) 伯努利分布 $B(1,p)$

样本：$X_1, X_2, ..., X_n$ 独立同分布于 $B(1,p)$

似然函数：
$$L(p) = \prod_{i=1}^{n} p^{x_i}(1-p)^{1-x_i} = p^{\sum x_i}(1-p)^{n-\sum x_i}$$

对数似然函数：
$$\ln L(p) = \sum x_i \ln p + (n-\sum x_i)\ln(1-p)$$

解得最大似然估计：
$$\hat{p} = \frac{1}{n}\sum_{i=1}^{n} x_i = \bar{X}$$

## 4. 最大似然估计的性质

### (1) 渐近性质（大样本性质）
1. **一致性**：当样本容量n→∞时，$\hat{\theta}_{MLE} \xrightarrow{P} \theta_0$（依概率收敛到真值）
2. **渐近正态性**：$\sqrt{n}(\hat{\theta}_{MLE} - \theta_0) \xrightarrow{d} N(0, I^{-1}(\theta_0))$
3. **渐近有效性**：在一定条件下达到Cramér-Rao下界

### (2) 不变性
若$\hat{\theta}$是θ的最大似然估计，则对于可逆函数g(θ)，$g(\hat{\theta})$是g(θ)的最大似然估计。

### (3) 充分性
在一定正则条件下，最大似然估计是充分统计量的函数。

## 5. 最大似然估计的优点

1. **直观性强**：原理易于理解和接受
2. **广泛应用**：适合各种分布族和复杂模型
3. **大样本优良性**：具有一致性和渐近正态性
4. **不变性**：参数变换下的良好性质
5. **可扩展性强**：容易推广到多参数情况

## 6. 最大似然估计的缺点

1. **需要分布假设**：必须明确给出总体分布形式
2. **小样本偏差**：小样本情况下可能存在偏倚
3. **数值计算复杂**：有时需要迭代算法才能求解
4. **可能不存在**：某些情况下最大值不存在
5. **可能不唯一**：极值点可能不止一个

## 7. 最大似然估计的应用场景

1. **参数估计的一般方法**
2. **回归分析中参数估计**
3. **时间序列分析中参数估计**
4. **机器学习算法中参数优化**（如逻辑回归）
5. **生物统计和医学研究**
6. **经济和金融数据分析**

## 8. 实际应用中的注意事项

1. **检查正则条件**：确保能够应用MLE的标准理论结果
2. **处理边界解问题**：参数应在参数空间内部取值
3. **考虑数值稳定性**：避免计算过程中出现溢出等问题
4. **评估估计精度**：计算标准误差和置信区间
5. **进行模型诊断**：验证模型假设是否合理

## 9. 与其他估计方法的比较

### 与矩估计比较：
- **矩估计**：简单但效率较低，利用的是样本矩
- **最大似然估计**：较复杂但具有更好的大样本性质

### 与贝叶斯估计比较：
- **频率学派观点**：参数是固定的未知数
- **贝叶斯学派观点**：参数是随机变量，有先验分布

## 10. 计算示例

### 示例：正态分布参数的最大似然估计
设样本：5, 7, 9, 3, 6

1. 计算样本均值：$\bar{X} = \frac{5+7+9+3+6}{5} = 6$
2. 计算样本方差：$S^2 = \frac{(5-6)^2+(7-6)^2+(9-6)^2+(3-6)^2+(6-6)^2}{5} = \frac{1+1+9+9+0}{5} = 4$

因此：$\hat{\mu} = 6$，$\hat{\sigma}^2 = 4$

### 示例：伯努利分布参数的最大似然估计
设10次抛硬币试验中有7次正面：1,1,0,1,1,1,0,1,1,1

$\hat{p} = \frac{7}{10} = 0.7$

## 总结

最大似然估计是一种强大而灵活的参数估计方法，在现代统计学和数据分析中应用极其广泛。掌握其原理和应用，对于深入理解统计推断方法具有重要意义。