背景

最大似然估计（Maximum Likelihood Estimation, MLE）是一种估计统计模型参数的方法。它在众多统计学领域中被广泛使用，比如回归分析、时间序列分析、机器学习和经济学。其核心思想是：给定一个观测数据集，找到一组参数，使得在这些参数下观测到当前数据的可能性（似然）最大。

公式

假设我们有一个参数为 $\theta$ 的概率分布，观测数据为 $X=(x_1,x_2,\dots ,x_n)$，则似然函数（Likelihood Function）可以表示为：
$$L(\theta ;X)=P(X|\theta )=\prod _{i=1}^{n}P(x_i|\theta )$$

为了简化计算，我们通常使用对数似然函数（Log-Likelihood Function）：
$$\ell (\theta ;X)=\log L(\theta ;X)=\sum _{i=1}^n\log P(x_i|\theta )$$

最大似然估计的目标是找到参数 $\theta$，使得对数似然函数 $\ell (\theta ;X)$ 达到最大值。即：
$$\hat{\theta }=\arg \underset{\theta }{\max }\ell (\theta ;X)$$

示例题目

正态分布的概率密度函数（PDF）可以表示为：
$$f(x|\mu ,{\sigma }^2)=\frac{1}{\sqrt{2\pi {\sigma }^2}}\exp \left(-\frac{(x-\mu {)}^2}{2{\sigma }^2}\right)$$

假设我们有一组观测数据 $X=(x_1,x_2,\dots ,x_n)$，这些数据都来自于一个正态分布 $N(\mu ,{\sigma }^2)$。我们希望估计正态分布的参数 $\mu$ 和 ${\sigma }^2$。
观测数据为 $X=(x_1,x_2,\dots ,x_n)$。

详细讲解

1. 写出似然函数：根据正态分布的概率密度函数，似然函数可以写为：
   似然函数 $L(\mu ,{\sigma }^2;X)$ 是在给定参数 $\mu$ 和 ${\sigma }^2$ 下，观测数据 $X$ 出现的概率。对于独立同分布的数据，这个概率是每个数据点概率密度的乘积，即：
   $$L(\mu ,{\sigma }^2;X)=\prod _{i=1}^{n}f(x_i|\mu ,{\sigma }^2)$$

   将正态分布的概率密度函数代入似然函数中，得到：
   $$L(\mu ,{\sigma }^2;X)=\prod _{i=1}^n\frac{1}{\sqrt{2\pi {\sigma }^2}}\exp \left(-\frac{(x_i-\mu {)}^2}{2{\sigma }^2}\right)$$

对数似然函数

3. 取对数：为了简化计算，取对数得到对数似然函数：
   $$\ell (\mu ,{\sigma }^2;X)=\sum _{i=1}^n\log \left(\frac{1}{\sqrt{2\pi {\sigma }^2}}\exp \left(-\frac{(x_i-\mu {)}^2}{2{\sigma }^2}\right)\right)$$
   进一步简化：
   $$\ell (\mu ,{\sigma }^2;X)=-\frac{n}{2}\log (2\pi {\sigma }^2)-\frac{1}{2{\sigma }^2}\sum _{i=1}^n(x_i-\mu {)}^2$$

4. 求导并解方程：对 $\mu$ 和 ${\sigma }^2$ 分别求导并令其等于零，可以得到参数的估计值。
   对 $\mu$ 求导：
   $$\frac{\partial \ell }{\partial \mu }=\frac{1}{{\sigma }^2}\sum _{i=1}^n(x_i-\mu )=0$$
   解得：
   $$\hat{\mu }=\frac{1}{n}\sum _{i=1}^n{x}_i$$

   对 ${\sigma }^2$ 求导：
   $$\frac{\partial \ell }{\partial {\sigma }^2}=-\frac{n}{2{\sigma }^2}+\frac{1}{2{\sigma }^4}\sum _{i=1}^n(x_i-\mu {)}^2=0$$
   解得：
   $${\hat{\sigma }}^2=\frac{1}{n}\sum _{i=1}^n(x_i-\mu {)}^2$$

Python代码求解

import numpy as np# 观测数据
X = np.array([2.3, 1.9, 3.1, 2.8, 2.4])# 估计参数
mu_hat = np.mean(X)
sigma_squared_hat = np.var(X, ddof=0)print("估计的均值 μ:", mu_hat)
print("估计的方差 σ^2:", sigma_squared_hat)

实际生活中的例子

最大似然估计在实际生活中的应用广泛。例如，在医学研究中，科学家常常需要估计某种疾病的发病率。假设有一个新的传染病，研究人员需要估计其传播率（即，传染给某人的概率）。他们收集了若干病例数据，通过最大似然估计，可以得到传播率的最优估计，从而帮助制定防控策略。

最大似然估计同样可以应用于金融领域，比如估计股票的收益率和风险；在机器学习中，用于训练模型的参数，如线性回归中的回归系数等。