23 votos

¿Cuáles son las desventajas de la probabilidad de perfil?

Consideremos un vector de parámetros $(\theta_1, \theta_2)$ con $\theta_1$ el parámetro de interés, y $\theta_2$ un parámetro molesto.

Si $L(\theta_1, \theta_2 ; x)$ es la probabilidad construida a partir de los datos $x$ la probabilidad del perfil para $\theta_1$ se define como $L_P(\theta_1 ; x) = L(\theta_1, \hat{\theta}_2(\theta_1) ; x)$ donde $ \hat{\theta}_2(\theta_1)$ es la MLE de $\theta_2$ para un valor fijo de $\theta_1$ .

$\bullet$ Maximizar la probabilidad del perfil con respecto a $\theta_1$ conduce a la misma estimación $\hat{\theta}_1$ como la que se obtiene al maximizar la probabilidad simultáneamente con respecto a $\theta_1$ y $\theta_2$ .

$\bullet$ Creo que la desviación estándar de $\hat{\theta}_1$ también puede estimarse a partir de la segunda derivada de la probabilidad del perfil.

$\bullet$ La estadística de probabilidad para $H_0: \theta_1 = \theta_0$ puede escribirse en términos de la probabilidad del perfil: $LR = 2 \log( \tfrac{L_P(\hat{\theta}_1 ; x)}{L_P(\theta_0 ; x)})$ .

Así pues, parece que la probabilidad del perfil puede utilizarse exactamente como si fuera una probabilidad genuina. ¿Es realmente así? ¿Cuáles son los principales inconvenientes de este enfoque? ¿Y qué pasa con el "rumor" de que el estimador obtenido a partir de la probabilidad de perfil está sesgado (edición: incluso asintóticamente)?

2 votos

Sólo una nota, los estimadores de la probabilidad también pueden estar sesgados, el ejemplo clásico es la estimación de la varianza de la probabilidad para una muestra normal.

0 votos

@mpiktas: Gracias por tu comentario. Efectivamente, el mle clásico también puede estar sesgado. Voy a editar la pregunta para que quede más claro.

0 votos

¿qué es el sesgo asintótico? ¿Está hablando de estimadores no consistentes?

16voto

Bryan Rehbein Puntos 3947

La estimación de $\theta_1$ de la probabilidad del perfil es sólo el MLE. Maximizando con respecto a $\theta_2$ para cada posible $\theta_1$ y luego maximizar con respecto a $\theta_1$ es lo mismo que maximizar con respecto a $(\theta_1, \theta_2)$ conjuntamente.

El principal punto débil es que, si se basa en la estimación del SE de $\hat{\theta}_1$ en la curvatura de la probabilidad del perfil, no está contabilizando completamente la incertidumbre en $\theta_2$ .

McCullagh y Nelder, Generalized linear models, 2ª edición tiene una breve sección sobre la probabilidad del perfil (sección 7.2.4, páginas 254-255). Dicen:

[Los conjuntos de confianza aproximados pueden obtenerse de la forma habitual ..... Estos intervalos de confianza suelen ser satisfactorios si [la dimensión de $\theta_2$ es pequeña en relación con la información total de Fisher, pero puede ser engañosa de otro modo.... Desgraciadamente, [la probabilidad logarítmica del perfil] no es una función de probabilidad logarítmica en el sentido habitual. Lo más obvio es que su derivada no tiene media cero, una propiedad que es esencial para estimar ecuaciones.

0 votos

Muchas gracias por su respuesta. Antes de aceptarla, permítame preguntar algo más. ¿Cuáles son las implicaciones de $E \frac{\partial l_P(\theta_1)}{\partial \theta_1} \neq 0$ ?

0 votos

Interesante pregunta, aunque ha requerido un viaje a la estantería (que debería haber hecho de todos modos). He añadido un poco a mi respuesta sobre este punto.

0 votos

Muchas gracias por la edición. Se dice que la propiedad (la puntuación evaluada en el verdadero valor del parámetro tiene media cero) es esencial para estimar ecuaciones. Pero aunque el log likelihood del perfil no cumple esa propiedad sí produce el MLE. ¿Hay algo que se me escapa?

1voto

Lewis Puntos 10

El mayor inconveniente es que la probabilidad del perfil no tiene ningún sentido.

La probabilidad del perfil debe considerarse como una cantidad intermedia que facilita las aplicaciones de las aproximaciones asintóticas (Wilks, etc.) con el fin de construir intervalos y regiones de confianza.

Sin embargo, por sí mismo no tiene ningún significado o interpretación coherente que yo conozca.

i-Ciencias.com

I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.

Powered by:

X