logit模型应用实例_最大似然估计(上)——离散选择模型之十
原创文章,如需转载请联系作者!
希望这篇文章能讲清楚什么是“最大似然估计”。
通过前文的推理,我们已经得到了二项Probit和二项Logit的模型表达式。在二项Probit模型中,决策者n选择方案i的概率为:
在二项Logit模型中,相应的概率为:
具体的推导过程可以参见之前的文章:
《效用最大化准则:离散选择模型的核心(Probit篇)——离散选择模型之七》
《你们要的二项Logit模型在这里——离散选择模型之八》
《从Gumbel分布到Logistic分布——离散选择模型之九》
模型已经有了,下一个需要解决的问题就是如何估计模型中参数?——这里就要用到最大似然估计(Maximum Likelihood Estimation,简称MLE)。
最大似然估计是干什么用的?
估计参数用的。假设已经知道某个随机变量服从正态分布
最大似然估计的原理?
先看一个简单的例子。假设我们对一组小球的重量进行观测。第一个小球的重量为
根据以往的经验可知,小球的重量
答案当然是(b)。在继续往下阅读之前,你可以先闭上眼睛问问自己:为什么你觉得X的分布最有可能是(b)图中所示的形状?
看一下图3就会明白:若
概率最大。亦即:
实际上,最大似然估计的思想就是:如果我进行一次随机的观测,观测到球的质量为
;那么我就认为随机变量
的分布一定会使得
这一事件发生的概率最大。我们都知道,正态分布有两个参数:均值
(1)式中,不同的
是不一样的。最大似然估计的目标就是,找到一组
、
的值,使得
最大。实际应用中一般会采集多个样本
如果
继续上面小球的例子。假设我们一共观测到n个样本,那么我们的目标就是最大化:
(2)式就是所谓的似然函数。为求解方便,一般对其取对数:
(3)式就是所谓的对数似然函数;我们将其记作
假设我们只观测了3次(n=3),并且我们已经知道了第1次观测到的小球的重量值
为求解
求解(6)、(7)两式可得:
X=3、X=6、X=9的概率最大。
“概率”和“似然”有什么区别?
在英语中,Probability(概率) 和 Likelihood(似然)都是用来描述事件发生的可能性、几率的。在我看来,统计学中的“概率”、“似然”两个词所对应的问题的方向是相反的。
概率——如果已知
已知,求观测到某个样本的概率);
似然——如果我有一组关于
未知,利用样本来反推模型参数)。
【本篇完】
专栏文章列表(动态更新中...)
离散选择模型基础:
- 离散选择模型(Discrete Choice Model)简介
- 线性模型 vs. Logistic模型
- Logit究竟是个啥?
- Odds 和 Odds Ratio 的区别
- 正确打开/解读Logit模型系数的方式
- Logit模型拟合实战案例(SAS)
- Logit模型拟合实战案例(Python)
二项Logit/Probit:
- 效用最大化准则:离散选择模型的核心(Probit模型上篇)
- 效用最大化准则:离散选择模型的核心(Probit模型下篇)
- 效用最大化准则:离散选择模型的核心(二项Logit模型)
- 从Gumbel分布到Logistic分布
多项Logit(MNL):
- 效用最大化准则:多项Logit模型(Multinomial Logit, MNL)
- 多项Logit模型(MNL)拟合实战案例(SAS篇)
- MNL的IIA特性与“红公交/蓝公交悖论”(上篇)
- MNL的IIA特性与“红公交/蓝公交悖论”(下篇)
- 如何将决策者的属性和方案属性同时放到MNL模型中?
- Logit模型中的个人属性、方案属性数据处理案例
- 为什么条件Logit模型中没有常数项,以及,你的女神会不会不喜欢你?
- Logit模型中的ASC(Alternative-Specific Constant)是指什么?
统计学相关:
- 最大似然估计(上)
- 最大似然估计(下)
- 模型中存在共线性问题,该怎么破?
关注【DCM笔记】公众号,私信作者获取相关文章中的 练习数据 和 代码:
logit模型应用实例_最大似然估计(上)——离散选择模型之十相关推荐
- logit回归模型_你们要的二项Logit模型在这里——离散选择模型之八
前言:本文主要介绍如何以效用最大化理论为基础,推导出二项 Logit(Binary Logit)模型. 本文为系列离散选择模型(Discrete Choice Model, DCM)系列文章的第8篇. ...
- 非期望产出的sbm模型_线性模型 vs. Logistic模型——离散选择模型之二
前言:为什么因变量是分类变量的时候,我们会选择Logistic模型.而非最常见的线性回归模型?或者,换个说法:线性回归模型的劣势是什么?Logistic模型的优势又是什么?--针对这些问题,本文为您详 ...
- 二值logit模型的适用条件_你们要的二项Logit模型在这里——离散选择模型之八...
前言:本文主要介绍如何以效用最大化理论为基础,推导出二项 Logit(Binary Logit)模型. 本文为系列离散选择模型(Discrete Choice Model, DCM)系列文章的第8篇. ...
- 处理效应模型stata实例_【更新通知】手把手教你Stata软件操作与案例分析更新,速来!...
继3大政策效应评价方法.面板微观计量模型.空间计量模型.应用面板数据模型四大主题套餐后,手把手教你Stata系列课程推出多期DID.平行趋势检验系列专题. 该专题包含多期DID及平行趋势检验:双重差分 ...
- 效用最大化准则:离散选择模型的核心(二项Logit模型)——离散选择模型之九
效用最大化准则:离散选择模型的核心(二项Logit模型)--离散选择模型之九 (qq.com)
- 正确打开/解读Logit模型系数的方式——离散选择模型之四
正确打开/解读Logit模型系数的方式--离散选择模型之四 - 知乎 (zhihu.com)
- 离散选择模型(Discrete Choice model)
目录 1. 什么是离散选择模型? 1.1 基本概念 1.2 效用 1.3 离散选择模型的类型 2. 线性概率模型 3. Probit模型 3.1 效用最大化准则 4. Logit模型 4.1 Gumb ...
- python拟合离散数据_Logit模型拟合实战案例(Python)——离散选择模型之六
前言:本文详细介绍如何在Python中拟合Logit模型,包括数据准备.哑变量的处理.参数拟合结果解读等内容. 本文为系列离散选择模型(Discrete Choice Model, DCM)系列文章的 ...
- 离散选择模型(DCM)和深度神经网络(DNN)结合
前言:这篇文章是深度学习和传统离散选择模型的融合. 机器学习在交通运输领域中越来越多地被应用,但 DCM(discrete choice model, 离散选择模型)和 DNN(deep neural ...
最新文章
- 栈的push、pop序列
- Java 正则表达式使用详解
- vue通信方法EventBus的实现
- .net MySql
- 关于齐次坐标的理解记录
- 第五章 云原生与容器技术
- Filebeat 日志收集器 安装和配置
- 英语语法新思维 总结 问答对形式
- 回想那天让我虎躯一震的bug:Mybatis Ognl引起的异常
- 阿里云MaxCompute 2019-7月刊
- android水果界面设计,一套小清新的水果元素的APP界面设计欣赏
- The following packages have unmet dependencies错误
- STC Monitor-51的单片机在线仿真调试(转)
- win7安装Cajviewer后,打开文档,目录注释乱码问题解决
- 【软件安装】WIN10 + Tensorflow1.12 C++接口 + Cmake编译失败 + Bazel编译成功 + C++接口
- Rio手把手教学:如何打造容器化应用程序的一站式部署体验
- TypeScript/JavaScript 2021-02-25T03:34:35.772Z 时区 日期格式化
- Capacitor+Vue+Vant移动端打包总结
- 类与类之间的几种关系
- ‘mnist.npz‘手写体数字数据集下载