最大似然估计法：逻辑与实践 下载 mobi epub pdf 电子书 2024

编辑推荐

　　zui大似然估计法是一个普遍适用的估计过程，但却一直没有专门的书籍讨论这一方法。本书是zui大似然估计法的入门读物。作者介绍了zui大似然估计的基本逻辑和操作步骤，并在附录中提供了高斯程序及相关评注。本书有助于读者理解zui大似然估计的逻辑，以及通过实践操作掌握zui大似然估计方法。

内容简介

　　《zui大似然估计法：逻辑与实践》是“格致方法?定量研究系列”丛书之一。本书是zui大似然估计法的入门级读物。作者斯科特?伊莱亚森介绍了除正态分布之外的其他重要连续分布，并进一步讨论了不同的zui大似然统计，包括似然比检验、z检验、沃德检定和基于熵的相关测量值R。

作者简介

　　斯科特?R.伊莱亚森，爱荷华大学助理教授，毕业于宾夕法尼亚州立大学，研究领域为定量研究和社会学，主要研究成果涉及职业、劳动力市场、社会地位和社会阶层，以及社会科学高级统计，强调分类数据的分析与理论框架和统计分析间的关系。

目录

序

第1章导语：最大似然法的逻辑

第1节背景和前言

第2节最大似然法则

第3节估计量的理想性质

第2章使用最大似然法的广义建模框架

第1节正态概率密度函数模型

第2节简单的z检验和置信区间：同方差正态概率密度函数模型

第3节似然比检验：异方差正态概率密度函数模型

第4节沃德检定

第5节最大似然模型的一个广义关联度量

第3章基本估计方法介绍

第1节得分向量、海塞矩阵和最大似然估计量的抽样分布

第2节迭代过程和更新方法

第3章更多实证案例

第1节伽马概率密度函数模型

第2节常数变异系数模型

第3节多项式概率密度函数模型

第4节双变量正态概率密度函数模型

第5章其他似然

第1节截断正态概率密度函数模型

第2节对数正态分布模型

第6章结论

附录

注释

参考文献

译名对照表

前言/序言

　　由于费舍（R. A. Fisher）先生的贡献，最大似然估计法至少从20世纪50年代开始在统计学领域被人们所熟知。 然而，在社会科学研究中，这种方法作为参数估计的一种途径，直到最近才得以普及。最大似然估计法系统地寻找潜在的不同总体值，基于样本观测值，最终选定被认为最大可能接近真实值（有最大似然）的参数估计值。而主要替代的估计步骤当然是最小二乘回归。因此很有必要对比一下这两种方法。假定一个简单的模型：
　　Y=a+bX=e
　　假定这个模型满足高斯-马尔科夫假设，且误差呈正态分布。在这个例子中，若使用最小二乘法，可以针对总体值a和b产生最佳线性无差估计量（BLUE），其估计值与通过最大似然法得到的估计值等价。
　　然而，就估计值的性质而言，最小二乘法有时就不如最大似然法那样有效了。例如，在处理二分因变量时（例如投票行为，当一个受访者回答“是”的时候得1分，“不是”的时候得0分），或者在误差项不为正态分布时，最小二乘法就不那么有效了。但是由最大似然法估计的罗吉特（Logit）模型可以提供一个渐进、有效并且一致的估计，而且这个估计可以被应用到大量的实验当中。的确，在最小二乘法无效的情况下，最大似然估计的主要优势就在于能够(在大样本的情况下)给出一个一致并且渐进、有效的估计量。
　　因为最大似然估计法是一个普遍适用的估计过程，所以在我们的很多系列著述中已经出现过[例如德马里斯（Demaris)最新的论文，《logit模型：实际应用>第86号】。然而，直到现在，我们仍然没有专门的书籍讨论这个内容。在最开始，伊莱亚森（Eliason）教授提醒读者，除了正态分布外还有很多重要的连续分布。例如，在一个巧妙的图形当中，他运用了伽马分布（指数和卡方的母型）来协助对密度函数核心概念的理解。他也展示了最大似然法在提供一个全局模型策略时融合简单线性和复杂非线性模型的能力。他阐明了在处理劳动力市场数据时应对不同情形的策略（如美国的工资分配，如果只考虑正值，它近似于一个伽马分布）。伊莱亚森教授也进一步讨论了不同的最大似然统计：似然比检验（Likelihood ratio test），针对具体参数的z检验(z test)，沃德检验(Wald test)，以及基于熵的相关测量值R。
　　伊莱亚森教授严谨地提出了最大似然估计的操作步骤，包括借助电脑执行的高斯程序所提供的有效细节来选择关键的初始值。在第3章的结论处，他机敏地说到“最大似然解法的发现在某些时候，与其说是科学上的，不如说是艺术上的。”在这本早应出现的入门读物中，他帮助读者同时欣赏最大似然法这两方面的魅力。

　　迈克尔?S.刘易斯—贝克

双十一囤货，同学推荐看格致方法系列的书。

有用就买了，正版有塑料膜

有用就买了，正版有塑料膜

好，短小精悍！

一些列的其中一本书的。

算法的入门学习吧，多学点总是没坏处的。

数据分析书籍学习参考。

算法的入门学习吧，多学点总是没坏处的。

算法的入门学习吧，多学点总是没坏处的。