Metoda maximální věrohodnosti

Metoda maximální věrohodnosti označuje jednu z centrálních metod matematické statistiky. Úlohou matematické statistiky je, zjednodušeně řečeno, odhad neznámých veličin v závislosti na pozorovaných (experimentálních) datech.

Odhad v kontextu statistiky sestává ze dvou částí

1. formulace pravděpodobnostního modelu, který popisuje danou reálnou situaci
2. ověření shody daného modelu se skutečností na základě pozorovaných dat.

Z těchto dat se dále odhadují hodnoty volných parametrů modelu. Metoda maximální věrohodnosti je univerzální metoda pro konstrukci odhadů parametrů.

Definice

Pozorovaná data se uvažují jako soubor nezávislých náhodných veličin $X_{1},X_{2},\ldots ,X_{n}$ stejně rozdělených s neznámou distribuční funkcí $f_{\theta }$. Dostupnou informací je, že tato funkce je členem parametrické množiny $\{g_{\theta },\theta \in \Theta \}$, jejíž prvky se liší pouze hodnotou $\Theta$. Jinými slovy existuje hodnota $\theta _{0}$ taková, že $f_{\theta }=g_{\theta _{0}}$. Protože hodnota $\theta _{0}$ je neznámá, je potřeba se jí pomocí nějakého odhadu ${\hat {\theta }}$ co nejlépe přiblížit.

Pro soubor stejně rozdělených, nezávislých náhodných veličin platí, že jejich sdruženou distribuci lze faktorizovat (tj. rozdělit na součin jednodlivých rozdělení)

$f(X_{1},X_{2},\ldots ,X_{n}|\theta )=f(X_{1}|\theta )f(X_{2}|\theta )\ldots f(X_{n}|\theta )=\prod _{i=1}^{N}f(X_{i}|\theta )$

Chceme-li odhadovat hodnoty $\theta$, pak získáme přepsáním předchozí rovnice vztah pro odhad ${\mathcal {L}}(\theta |.)$

${\mathcal {L}}(\theta |X_{1},X_{2},\ldots ,X_{n})=f(X_{1}|\theta )f(X_{2}|\theta )\ldots f(X_{n}|\theta )=\prod _{i=1}^{N}f(X_{i}|\theta )$

Funkci ${\mathcal {L}}(\theta |.)$ nazýváme věrohodnostní funkce.

Velmi často se setkáváme s logaritmem věrohodnostní funkce ${\mathcal {L}}$, tj.

$\log {\mathcal {L}}(\theta |X_{1},X_{2},\ldots ,X_{n})=\sum _{i=1}^{N}\log f(X_{i}|\theta )$

Jednou z výhod logaritmu je převod součinu na součet, se kterým se v některých případech lépe pracuje.

Jestliže existuje hodnota ${\hat {\theta }}$ taková, že pro všechny možné hodnoty parametru $\theta$ platí

${\mathcal {L}}(\theta |X_{1},X_{2},\ldots ,X_{n})\leq {\mathcal {L}}({\hat {\theta }}|X_{1},X_{2},\ldots ,X_{n})$

pak nazveme ${\hat {\theta }}$ maximálním věrohodným odhadem.

Alternativní formulace je

${\hat {\theta }}=\arg \max _{\theta \in \Theta }{\mathcal {L}}(\theta |X_{1},X_{2},\ldots ,X_{n})$

Příklady

Diskrétní rozdělení

Uvažujme náhodný výběr $(X_{1},X_{2},X_{3},X_{4})$ z alternativního rozdělení, tj. $X$ nabývá pouze hodnot 0 a 1 a sice s pravděpodobností $P(X=1)=p$ a $P(X=0)=1-p$. Získaná data jsou (0,0,1,0). Úkol je odhadnout hodnotu parameteru $p$, přičemž náš model předpokládá hodnoty buď $p=0,2$ nebo $p=0,8$.

Pro pravděpobodnost pozorovaných dat máme podle alternativního rozdělení:

$P(X_{1}=0,X_{2}=0,X_{3}=1,X_{4}=0)=p(1-p)^{3}$

což je pro $p=0,2$ rovno 0,1024 a pro $p=0,8$ rovno 0,0064. Princip maximálního věrohodného odhadu spočívá v tom, že za odhad $p$ vezmeme tu hodnotu, pro který je výsledek nejpravděpodobnějsí, tedy $p=0,2$.

Spojité rozdělení

Uvažujme situaci popsanou normálním rozdělením ${\mathcal {N}}(\mu ,\sigma ^{2})$ s distribuční funkcí

$f(x\mid \mu ,\sigma ^{2})={\frac {1}{{\sqrt {2\pi }}\ \sigma \ }}\exp {\left(-{\frac {(x-\mu )^{2}}{2\sigma ^{2}}}\right)},$

kde parametr $\sigma ^{2}$ je znám. Pro odhad parametru $\mu$ metodou maximální věrohodnosti dostáváme vztah

$\log {\mathcal {L}}(\theta |X_{1},X_{2},\ldots ,X_{n})=\log \left(\prod _{i=1}^{N}{\frac {1}{{\sqrt {2\pi }}\ \sigma \ }}\exp {\left(-{\frac {(X_{i}-\theta )^{2}}{2\sigma ^{2}}}\right)}\right)=-{\frac {n}{2}}\log 2\pi -{\frac {n}{2}}\log \sigma ^{2}-{\frac {1}{2\sigma ^{2}}}\sum _{i=1}^{N}(X_{i}-\theta )^{2}$

Pro výpočet maximálního věrohodného odhadu ${\hat {\theta }}$ postačuje pomocí první derivace určit maxima funkce na pravé straně, tj. najít řešení rovnice

${\frac {\partial \log {\mathcal {L}}(\theta |X_{1},X_{2},\ldots ,X_{n})}{\partial \theta }}={\frac {1}{\sigma ^{2}}}\sum _{i=1}^{N}(X_{i}-\theta )=0$

které je

${\hat {\theta }}={\frac {1}{n}}\sum {X_{i}}={\bar {X}}_{n}$

tedy výběrový průměr

Vlastnosti

Statistické odhady lze charakterizovat pomocí několika základních vlastností.

• odhad $\phi (x)$ parametrické funkce $g(\theta )$ nazveme nestranný odhad, jestliže kvalita odhadu závisí pouze na náhodě a neobsahuje systematickou chybu, což lze vyjádřit pomocí střední hodnoty $\mathbb {E} _{\theta }\phi (x)=\theta$.
• odhad $\phi _{n}(X_{1},X_{2},\ldots ,X_{n})$ parametrické funkce $g(\theta )$ na základě náhodného výběru $X_{1},X_{2},\ldots ,X_{n}$ nazveme konzistentní odhad, jestliže zvyšováním počtu pozorování lze chybu odhadu udělat libovolně malou, tj. platí $\textstyle P_{\theta }\left(\lim _{n\to \infty }\phi _{n}(X_{1},X_{2},\ldots ,X_{n})=g(\theta )\right)=1$

Přednosti

V některých případech odhadu parametrů založeném na malém počtu pozorování se maximálně věrohodný odhad nechová nestranně, má ale na druhou stranu více důležitých vlastností

1. je konzistentní
2. pro dostatečne velká $n$ má přibližně normální rozdělení, tj. pro odhad ${\hat {\theta }}$ a parametr $\theta \in \Theta$ platí ${\sqrt {n}}({\hat {\theta }}-\theta ){\xrightarrow {d}}{\mathcal {N}}\left(0,{\mathcal {I}}^{-1}(\theta )\right)$

   přičemž se jedná o tzv. konvergenci v distribuci. Veličina ${\mathcal {I}}(\theta )$ označuje Fisherovu informaci, kterou lze chápat jako míru informace o parametru $\theta$ obsažené v jednom pozorování.

3. je asymptoticky (pro počet pozorování $n\to \infty$) efficientní, tj. odhaduje neznámý parametr nejlepším možným způsobem.
4. pro spojité parametrické funkce $g(\theta )$ je maximální věrohodný odhad roven $g({\hat {\theta }})$

Nedostatky

• Základním kamenem maximálního věrohodnostního odhadu je přesný a správný popis pravděpodobnostního modelu, resp. pravděpodobnostní funkce. Je-li tento popis reálné situace nepřesný pak jsou získané odhady nekonzistentní se získanými daty.
• Věrohodnostní funkce mohou být na základě zvoleného modelu a neznámých parametrů libovolně komplikované. Důsledkem jsou funkce, pro které nemusí existovat analytické řešení a při hledání maxima je pak nutné použít numerické metody.
• Přednosti maximálního věrohodnostního odhadu vycházejí z asymptotických vlastností. Pro nízké počty pozorování je tedy vhodnější použít jiné metody odhadu.

Využití

Metoda maximální věrohodnosti má široké využití ve statistice, například

1. ve výpočtech při testování hypotéz
2. ve faktorové analýze

Navíc je tato metoda rozšířená a v jiných oborech, například

1. při rozpoznávání objektů v obrazových datech
2. v ekonometrii a modelování finančních trhů
3. při přesné lokalizaci (pomocí GPS apod.)