韩 栋 陈 征△ 陈平雁 Nakamura Tsuyoshi
在回归分析中,似然函数通常会含有多个参数,但有时只有其中一个或几个是欲研究的参数,称为兴趣参数(parameter of interest),其他参数就被称作多余参数(nuisance parameter),这些多余参数对模型的求解有时会有阻碍作用。当存在多个多余参数时,标准的似然方法无法消除或减少它们,所以变得不可靠或完全无效,而轮廓似然(profile likelihood,PL)作为一种处理多余参数的方法能够解决多余参数过多的问题。1970年,Kalbfleisch和 Sprott等〔1〕首次将轮廓似然方法应用于带有多余参数的参数推断,并称最大轮廓似然函数为最大相对似然函数(maximum relative likelihood function)。Barndorff-Nielsen〔2〕首先使用“轮廓似然”命名该方法,之后该名字被广泛接受〔3〕。2000年,Murphy等〔4〕证明了在一般情况下最大轮廓似然点估计等价于最大似然估计。
另外,在兴趣参数呈非正态分布时,如果计算基于正态分布的Wald型置信区间(Wald CI)将会产生偏差〔5〕,尤其在无法计算兴趣参数的标准误时,Wald CI也无法计算。而轮廓似然置信区间(PL CI)是基于χ2分布且无需计算标准误,因此,PL CI能够解决参数不服从正态分布和标准误无法计算时置信区间的计算问题。Venzon等〔5〕于1988年提出了简化轮廓似然置信区间计算的一种新方法。
本文将描述轮廓似然的定义及其两个应用,模拟比较PL CI与Wald CI的优劣并运用PL方法解决多余参数过多和参数呈非正态分布时的问题。
1.轮廓似然定义
轮廓似然函数是固定兴趣参数时,对多余参数求最大化后的函数,因而不是真正的似然函数。设θ表示兴趣参数或兴趣参数向量……