Zum Inhalt
Alle Apps

Maximum-Likelihood-Schätzung

Über diese App

Verteilung an Daten anpassen: Modell-Dichte verformen, Likelihood-Beiträge der Punkte sehen, die Log-Likelihood-Kurve mit ihrem Maximum (dem MLE) verfolgen. Das Fundament hinter Regression, logistischer Regression und Naïve-Bayes.

Worum es geht

Likelihood ist nicht dasselbe wie Wahrscheinlichkeit: Bei der Wahrscheinlichkeit sind die Parameter fest und man fragt nach den Daten, bei der Likelihood sind die Daten fest und man liest die Dichte als Funktion der Parameter. Die Maximum-Likelihood-Schätzung sucht die Parameter θ, unter denen die beobachteten Daten am plausibelsten sind: L(θ) = ∏ f(xᵢ; θ). Praktisch maximiert man die Log-Likelihood ℓ(θ) = Σ log f(xᵢ; θ), deren Maximum an derselben Stelle liegt. Für die Normalverteilung ergibt sich μ̂ = x̄ und σ̂² = (1/n) Σ(xᵢ − x̄)².

Was die App zeigt

Links liegen die Datenpunkte unter einer Modell-Dichte N(μ, σ), die du verformst. Senkrechte Striche zeigen an jedem Punkt die Dichte, also seinen Beitrag zur Likelihood. Rechts läuft die Log-Likelihood als Kurve über μ bei festem σ oder über σ bei festem μ, mit markiertem Maximum. Ein Wertepanel nennt die eingestellten Parameter, ℓ(μ, σ), die Schätzwerte μ̂ = x̄ und σ̂ sowie den Abstand zum Maximum ℓ(MLE) − ℓ.

Selbst ausprobieren

Verschiebe μ weg von den Daten und beobachte, wie die Striche an den entfernten Punkten fast verschwinden und ℓ sinkt. Verkleinere σ stark: Wenige Punkte bekommen hohe Dichten, die Ausreißer aber sehr kleine, und ℓ fällt. Taste dich an das Maximum heran, bis der Abstand zu ℓ(MLE) null wird; du landest bei x̄ und σ̂. Ziehe neue Daten oder ändere die Datensatzgröße n, und mit „Auf MLE setzen“ springst du direkt ins Optimum.

Häufige Fragen

Was ist die Maximum-Likelihood-Methode?
Die Maximum-Likelihood-Methode schätzt die Parameter eines statistischen Modells, indem sie die Werte wählt, unter denen die beobachteten Daten am wahrscheinlichsten sind. Dazu wird die Likelihood-Funktion bzw. ihr Logarithmus maximiert. Viele Verfahren wie die lineare und die logistische Regression lassen sich so herleiten.
Was ist der Unterschied zwischen Likelihood und Wahrscheinlichkeit?
Eine Wahrscheinlichkeit beschreibt bei festen Parametern, wie plausibel verschiedene Daten sind. Die Likelihood dreht die Blickrichtung um: Die Daten sind fest, und man bewertet, wie gut verschiedene Parameterwerte zu ihnen passen. Die Likelihood ist keine Wahrscheinlichkeitsverteilung über die Parameter.
Warum verwendet man die Log-Likelihood?
Die Likelihood ist ein Produkt vieler kleiner Dichten und wird numerisch schnell winzig. Der Logarithmus macht daraus eine Summe, die sich leichter ableiten und berechnen lässt. Weil der Logarithmus streng monoton ist, liegt das Maximum an derselben Stelle.
Was kann ich in der MLE-App einstellen?
Du stellst Modell-Mittelwert μ und Modell-Streuung σ ein, wählst, ob die Log-Likelihood über μ oder über σ gezeichnet wird, änderst die Datensatzgröße n, ziehst neue Daten und kannst die Parameter direkt auf den MLE setzen.

Fach: Statistik

Mehr aus Statistik

Eine VisuApp von heyprof: interaktiv, kostenlos im Browser, ohne Anmeldung. Was ist eine VisuApp? · Alle Apps