Yudi Pawitan Her Olasılıklar Kitabında , en yüksek olabilirlik tahminlerinde (MLE) değerlendirilen log-olasılığının ikinci türevinin gözlemlenen Fisher bilgisi olduğunu yazmıştır (ayrıca bu belgeye , sayfa 2'ye bakınız). Bu gibi en optimizasyon algoritmaları tam olarak ne optim
de R
Hessen MLE değerlendirmeye: dönüş. Ne zaman negatiflog olabilirliği en aza indirilir, negatif Hessian iade edilir. Doğru bir şekilde işaret ettiğiniz gibi, MLE'nin tahmini standart hataları, gözlemlenen Fisher bilgi matrisinin tersinin çapraz elemanlarının karekökleridir. Başka bir deyişle: Hessian'ın (veya negatif Hessian'ın) tersinin köşegen unsurlarının karekökü tahmin edilen standart hatalardır.
özet
- MLE'de değerlendirilen negatif Hessian, MLE'de değerlendirilen gözlemlenen Fisher bilgi matrisi ile aynıdır.
- Asıl sorunuzla ilgili olarak: Hayır, gözlemlenen Fisher bilgilerinin (negatif) Hessian'ı ters çevirerek bulunabileceği doğru değil .
- İkinci sorunuza gelince: (negatif) Hessian'ın tersi asimptotik kovaryans matrisinin bir tahmincisidir. Bu nedenle, kovaryans matrisinin köşegen elemanlarının karekökleri standart hataların tahmin edicileridir.
- Sanırım linkini verdiğin ikinci belge yanlış.
resmen
Let , bir log-olasılık fonksiyonu. Fisher bilgi matrisi simetrik olan girişleri ihtiva eden matris:
gözlenen Fisher bilgi matrisi basitçe , bilgi matrisi maksimum olabilirlik tahmininde (MLE) değerlendirildi. Hessian şöyle tanımlanır:
I ( θ ) ( p × p ) I ( θ ) = - ∂ 2l(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
Parametrelere göre olasılık fonksiyonunun ikinci türevlerinin matrisinden başka bir şey değildir.
Olumsuz log olasılığını en aza indirirseniz, iade edilen Hessian'ın gözlemlenen Fisher bilgi matrisinin eşdeğeri olduğunu, log logiliğini maksimuma çıkarmanız durumunda
negatif Hessian'ın gözlemlenen bilgi matrisi olduğunu izler.
Ayrıca, Fisher bilgi matrisinin tersi asimptotik kovaryans matrisinin bir tahmincisidir:
Standart hatalar daha sonra kovaryans matrisinin köşegen elemanlarının karekökleridir. Maksimum olasılık tahmininin asimptotik dağılımı için
burada gerçek parametre değerini gösterir. Bu nedenle, maksimum olabilirlik tahminlerinin tahmini standart hatası:
Var(θ^ML)=[I(θ^ML)]−1
θ^ML∼aN(θ0,[I(θ^ML)]−1)
θ0SE(θ^ML)=1I(θ^ML)−−−−−−√