第224页 第十一章 二元被解释变量回归
似然函数( likelihood function)是抽样的联合概率分布,是未知系数的函数。未知系数的最大似然估计量( maximum likelihood estimator,MLE)是使似然函数达到最大时所计算得到的系数值。由于最大似然估计量选择了使似然函数即联合概率分布达到最大的未知系数,故实际上最大似然估计量选择的是使n个样本数据被抽中的概率达到最大的系数值。在这个意义上,MLE是那些“最可能”生成这些数据的系数值。 引自 11 二元因变量回归 似然函数就是抽样的联合概率分布!(好像不是密度函数?)
也就是说,既然解释变量的抽样数据值已经有了,那么最大似然估计所搞出的系数估计值就是当「既有被解释变量数据」以最大概率被抽到时,所对应的系数值。
(妈的这个逻辑也是非常别扭了)
51人阅读
Présence对本书的所有笔记 · · · · · ·
-
第218页 第十一章 二元被解释变量回归
线性概率模型: 1.回归函数即为Y=1的概率。 2.回归系数可以通过OLS估计。 3.异方差—稳健OLS...
-
第222页 第十一章 二元被解释变量回归
在此应用的probit模型中,很难对系数估计值进行解释,只能得到两个信息: 1.解释变量与被解释...
-
第224页 第十一章 二元被解释变量回归
-
第223页 第十一章 二元被解释变量回归
当数据集中的解释变量只有极少极端值时,线性概率模型依然可以提供一个充分的近似。
-
第235页 第十一章 二元被解释变量回归
自己试着翻译一下probit的MLE: 1.选取probit模型是先验的,因此p=Φ(β0+β1X1+...+βkXk)可...
> 查看全部55篇
说明 · · · · · ·
表示其中内容是对原文的摘抄