• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>American Journal of Epidemiology >Maximum Likelihood Profile Likelihood and Penalized Likelihood: A Primer
【2h】

Maximum Likelihood Profile Likelihood and Penalized Likelihood: A Primer

机译：最大似然轮廓似然和惩罚似然：入门

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The method of maximum likelihood is widely used in epidemiology, yet many epidemiologists receive little or no education in the conceptual underpinnings of the approach. Here we provide a primer on maximum likelihood and some important extensions which have proven useful in epidemiologic research, and which reveal connections between maximum likelihood and Bayesian methods. For a given data set and probability model, maximum likelihood finds values of the model parameters that give the observed data the highest probability. As with all inferential statistical methods, maximum likelihood is based on an assumed model and cannot account for bias sources that are not controlled by the model or the study design. Maximum likelihood is nonetheless popular, because it is computationally straightforward and intuitive and because maximum likelihood estimators have desirable large-sample properties in the (largely fictitious) case in which the model has been correctly specified. Here, we work through an example to illustrate the mechanics of maximum likelihood estimation and indicate how improvements can be made easily with commercial software. We then describe recent extensions and generalizations which are better suited to observational health research and which should arguably replace standard maximum likelihood as the default method.
机译：最大可能性方法在流行病学中被广泛使用，但是许多流行病学家很少或根本没有接受这种方法的概念性教育。在这里，我们提供了关于最大可能性和一些重要扩展的入门知识，这些扩展已被证明在流行病学研究中有用，并且揭示了最大可能性和贝叶斯方法之间的联系。对于给定的数据集和概率模型，最大似然找到使观测数据具有最高概率的模型参数值。与所有推论统计方法一样，最大似然是基于假设的模型，并且无法说明不受模型或研究设计控制的偏差源。但是，最大似然仍然很受欢迎，因为它在计算上是直接直观的，并且因为在正确指定了模型的（很大程度上是虚构的）情况下，最大似然估计值具有理想的大样本属性。在这里，我们通过一个示例来说明最大似然估计的机制，并说明如何使用商业软件轻松进行改进。然后，我们描述了最近的扩展和概括，它们更适合于观察性健康研究，并且可以说应该取代标准最大可能性作为默认方法。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号