यदि आप वास्तव में लॉग-लाइबिलिटी का मतलब है , तो जवाब है: यह हमेशा शून्य नहीं है।
उदाहरण के लिए, प्वासों डेटा पर विचार करें: । के लिए लॉग-संभावना Y = ( y 1 , ... , y एन ) द्वारा दिया जाता है:
ℓ ( μ ; वाई ) = - n Σ मैं = 1 μ मैं + n Σ मैं = 1 y मैं लॉग इन करें μyi∼Poisson(μi),i=1,…,nY=(y1,…,yn)
ℓ(μ;Y)=−∑i=1nμi+∑i=1nyilogμi−∑i=1nlog(yi!).(∗)
अंतर में ( * ) सम्मान के साथ करने के लिए μ मैं और के लिए सेट 0 (यह है कि हम कैसे संतृप्त मॉडल के लिए MLE प्राप्त है):
- 1 + y मैंℓ(μ;Y)(∗)μi0
के लिए इस का समाधानμमैंपाने के लिए μ मैं=yमैं, प्रतिस्थापन μ मैंवापस में(*)के लिएμमैंकि संतृप्त मॉडल की लॉग-संभावना है देता है:
ℓ( μ ;Y)=n Σ मैं=1yमैं(लॉग ऑनyमैं-1)-एन Σ मैं=
−1+yiμi=0.
μiμ^i=yiμ^i(∗)μi
जब तक
yमैंबहुत विशेष मान नहीं लेता।
ℓ(μ^;Y)=∑i=1nyi(logyi−1)−∑i=1nlog(yi!)≠0
yi
आइटम के तहत R
फ़ंक्शन के सहायता पृष्ठ में , दस्तावेज़ इस मुद्दे को निम्नानुसार समझाता है:glm
deviance
deviance
एक निरंतर, शून्य से अधिकतम दो बार लॉग-लाइक होने की संभावना। जहां समझदार है, निरंतर को चुना जाता है ताकि संतृप्त मॉडल में अवमूल्यन शून्य हो।
ध्यान दें कि इसने उल्लेख किया है कि संतृप्त मॉडल की लॉग- लाइबिलिटी के बजाय विचलन शून्य होना चुना जाता है।
शायद, जो आप वास्तव में पुष्टि करना चाहते थे, वह यह है कि " संतृप्त मॉडल का विचलन हमेशा शून्य के रूप में दिया जाता है", यह सच है, विचलन के बाद से, परिभाषा के अनुसार ( एलन डेटा द्वारा श्रेणीबद्ध डेटा विश्लेषण की धारा 4.5.1 देखें ) अग्रेस्टी) संतृप्त मॉडल के लिए एक निर्दिष्ट जीएलएम की संभावना अनुपात सांख्यिकीय है। constant
आर दस्तावेज में ऊपर उल्लिखित वास्तव में संतृप्त मॉडल की दो बार अधिकतम लॉग-संभावना है।
M1M2M1M2
निष्कर्ष
संतृप्त मॉडल की लॉग-संभावना सामान्य गैर-शून्य में है।
संतृप्त मॉडल का विचलन (इसकी मूल परिभाषा में) शून्य है।
विचलन के रूप में यह वास्तव में कुछ और (deviances के बीच अंतर) का अर्थ है सॉफ्टवेयर से निर्गम (आर) के रूप में सामान्य गैर शून्य में है।
7
f(yi;θi,φ)=exp[Ai(yiθi−γ(θi))/φ+τ(yi,φ/Ai)].(1)
Aiφℓ(θ,φ;Y)=∑i=1nAi(yiθi−γ(θi))/φ+∑i=1nτ(yi,φ/Ai).
0=U(θi)=∂ℓ(θ,φ;Y)∂θi=Ai(yi−γ′(θi))φ
θ^i
ℓ(θ^,φ;Y)=∑i=1nAi(yiθ^i−γ(θ^i))/φ+∑i=1nτ(yi,φ/Ai).(∗∗)
(∗∗)Γ(α,β)
f(y;α,β)=βαΓ(α)e−βyyα−1,y>0,α>0,β>0,
f(1)φ=1α,θ=−βα,
ff(y;θ,φ)=exp[θy−(−log(−θ))φ+τ(y,φ)],
τ(y,φ)=−logφφ+(1φ−1)logy−logΓ(φ−1).
θ^i=−1yi∑i=1n1φ[θ^iyi−(−log(−θ^i))]=∑i=1n1φ[−1−log(yi)]≠0,
yi