什么是“限制最大可能性”,什么时候应使用?


73

我已阅读的抽象本文认为:

“通过修改Patterson和Thompson的变换对Hartley aud Rao的最大似然(ML)程序进行了修改,该变换将似然渲染正态性划分为两个部分,其中一个没有固定影响。最大化这部分会产生所谓的受限最大似然(REML)估算器。”

我还在本文摘要中阅读了REML:

“考虑到由于估计固定效应而导致的自由度损失。”

遗憾的是,我无法访问这些论文的全文(如果这样做的话,可能会无法理解)。

此外,REML与ML有何优势?在拟合混合效果模型时,在什么情况下REML优于ML(反之亦然)?请提供适合具有高中(或刚刚毕业)数学背景的人的解释!


Answers:


62

根据ocram的回答,ML对于方差分量的估计有偏差。但是请注意,对于较大的样本量,偏差会变小。因此,在回答您的问题“ ... REML与ML的优点是什么?在拟合混合效应模型时,在什么情况下REML优于ML(反之亦然)? ”,对于小样本量,则首选REML。但是,REML的似然比测试在两个模型中都需要完全相同的固定效果规范。因此,为了通过LR测试比较具有不同固定效果(常见情况)的模型,必须使用ML。

REML考虑了估计的(固定效果)参数的数量,每个参数失去1个自由度。这是通过将ML应用于最小二乘残差来实现的,该残差与固定效果无关。


8
实际上,方差成分的REML估计量通常(近似)是无偏的,而ML估计量则是负偏的。但是,ML估计器通常具有比REML估计器低的均方误差(MSE)。因此,如果您希望平均而言是正确的,请使用REML,但是您需要为此付出较大的估计差额。如果您想平均更接近真实值,请使用ML,但您要为此付出负偏见。
沃尔夫冈

3
在均值恒定且方差恒定的简单情况下,ML将SSR除以而REML将SSR除以。因此REML是此过程的概括!n(n1)
kjetil b halvorsen

“ ML对于方差分量的估计有偏见”。它是指随机效应的方差,还是固定效应系数的标准误?
skan

54

这是一个快速解答...


标准说明性示例

令是正态分布)的样本。既和是未知的。的最大似然估计,通过取对数似然的衍生物对于所得和等同于零,是 其中y=(y1,,yn)N(μ,σ2μσ2σ2σ2

σ^ML2=1ni=1n(yiy¯)2
y¯=1ni=1nyi是的最大似然估计量。我们可以证明 [ 从重写开始μ
E(σ^ML2)=n1nσ2.
σ^ML2 作为 ]。因此,有偏差。请注意,如果我们知道,那么的MLE代替了估计中的未知均值。REML估计的直觉想法是最终可能包含上的所有信息,但不再包含上的信息。1ni=1n((yiμ)+(μy¯))2σ^ML2μσ2将是无偏的。因此,似乎与我们已经替换的事实有关σ^ML2x¯σ2μ

从技术上讲,REML可能性是原始数据线性组合的可能性:我们考虑的可能性代替的可能性K y K E [ K y ] = 0yKy,其中矩阵使得 。KE[Ky]=0


REML估计通常用于更复杂的混合模型环境中。每本有关混合模型的书都有一个章节,详细介绍了REML估算。


编辑

@乔·金:这里是我最喜欢的关于混合模型的书籍之一,可以在线完全获得。第2.4.2节处理估计方差成分。祝您阅读愉快:-)


谢谢-这很有用-尽管我无法轻松获得有关混合模型的书籍。请您将您的答案与我帖子中的两个引号相关联?
乔·金

我想知道多元高斯如何改变故事吗?stats.stackexchange.com/questions/167494/...
Sibbs赌博

9

ML方法低估了方差参数,因为它假定估计方差参数时已知固定参数而没有不确定性。

REML方法使用数学技巧使方差参数的估计独立于固定效果的估计。REML的工作方式是,首先获取由模型的固定效应部分建模的观测值的回归残差,此时忽略任何方差分量。

ML估计对固定效应无偏见,但对随机影响有偏见,而REML估计对固定效应有偏见,对随机影响无偏见。

By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.