Я не могу придумать лучшего места, чем книга Оуэна, чтобы узнать об эмпирической вероятности.
Один практический способ думать о - это вероятность многочленного распределения по наблюдаемым точкам данных x 1 , … , x n . Таким образом, вероятность является функцией вектора вероятности ( p 1 , … , p n ) , пространство параметров на самом деле является n- мерным симплексом векторов вероятности, и MLE помещает вес 1 / n.L = L ( р1, … , РN)Икс1, … , ХN( р1, … , РN)N1 / nна каждом из наблюдений (предположим, что они все разные). Размерность пространства параметров увеличивается с увеличением количества наблюдений.
Центральным моментом является то, что эмпирическое правдоподобие дает метод для вычисления доверительных интервалов путем профилирования без указания параметрической модели. Если интересующим параметром является среднее значение, , то для любого вектора вероятности p = ( p 1 , … , p n ) мы имеем среднее значение μ ( p ) = n ∑ i = 1 x i p i ,
и мы может вычислить вероятность профиля как
L prof ( μ ) = maxμр = ( р1, … , РN)
μ ( p ) = ∑я = 1NИксяпя,
Тогда мы можем вычислить доверительные интервалы вида
I r = { μ ∣ L prof ( μ ) ≥ r L prof ( ˉ x ) }
с
r ∈ ( 0 , 1 ) . Здесь
ˉ x - эмпирическое среднее, а
L prof ( ˉ x ) =Lпрофессор( μ ) = max { L ( p ) ∣ μ ( p ) = μ } .
яр= { μ ∣ Lпрофессор( μ ) ≥ r Lпрофессор( х¯) }
r ∈ ( 0 , 1 )Икс¯ . Интервалы
I r, возможно, следует просто называть (профильными) интервалами правдоподобия, поскольку никаких заявлений об охвате не делается заранее. С уменьшением
r интервалы
I r (да, это интервалы) образуют вложенное, увеличивающееся семейство доверительных интервалов. Скажем, асимптотическую теорию или бутстрап можно использовать для калибровки
r для достижения охвата 95%.
Lпрофессор( х¯) = n- няррярр
Книга Оуэна подробно описывает это и предоставляет расширения для более сложных статистических задач и других представляющих интерес параметров.