Seminar kognitive Modellierung:
Maximum Likelihood & Beyond
Jan Göttmann, M.Sc.
Fahrplan
| Datum | Thema |
|---|---|
| 25.10.2023 | Organisation und Ablauf |
| 08.11.2023 | Einführung: Grundlagen der Modellierung |
| 15.11.2023 | Einführung II: Grundlagen der Modellierung |
| 22.11.2023 | Parameterschätzung I: Diskrepanzfunktionen & Schätzalgorithmen |
| 29.11.2023 | Parameterschätzung II: Maximum Likelihood & Beyond |
| 06.12.2023 | Parameterschätzung III: Hands On in R Parameter Estimation |
| 13.12.2023 | Multinomial Processing Tree Models (Theorie) |
| 20.12.2023 | Anwendung von MPT Modellen (R-Sitzung) |
| 10.01.2024 | Drift Diffusion Models (Theorie) |
| 17.01.2024 | Drift Diffusion Models (Anwendung) |
| 24.01.2023 | Mixture Models (Theorie) |
| 31.01.2024 | Mixture Models (Anwendung) |
| 07.02.2024 | Puffersitzung |
Parameterschätzung I: Recap
-
In der Parameterschätzung wird iterativ eine Diskrepanzfunktion minimiert, sodass die Abweichung zwischen Daten und Vorhersagen des Modells möglichst klein wird.
-
Es gibt viele unterschiedliche Diskrepanzfunktionen (RMSE, MLE, ...)
-
Die Wahl der Diskrepanzfunktion ist unabhängig von der Schätzmethode ! Ein häufig verwendetes Verfahren zur Parameterschätzung ist SIMPLEX !
-
Der Raum aller möglichen Parameter ist der Parameter Space. Nimmt man den Wert der gewählten Diskrepanzfunktion hinzu, so erhält man den Error-Space.
Maximum Likelihood Estimation
Likelihood vs. Wahrscheinlichkeit
f(x∣μ,σ2)=2πσ21e−2σ2(x−μ)2
f(x | \mu, \sigma^2) = \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x - \mu)^2}{2\sigma^2}}
- Eine Wahrscheinlichkeitsfunktion beschreibt, wie wahrscheinlich die Daten, gegeben bestimmte Parameter des Modells sind.
Wie hoch ist die Wahrscheinlichkeit, einen IQ zwischen 120 und 140 zu haben ?
Maximum Likelihood Estimation
Likelihood vs. Wahrscheinlichkeit
L(μ,σ2∣xn)=2πσ21e−2σ2(x−μ)2
\mathcal{L}(\mu, \sigma^2 | x_n) = \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x - \mu)^2}{2\sigma^2}}
- Die Likelihood-Funktion beschreibt die Plausibilität der Parameter eines statistischen Modells, indem sie die Wahrscheinlichkeit der beobachteten Daten unter verschiedenen Parametern des Modells bewertet.
Daten stehen fest, Parameterwerte variieren !
Maximum Likelihood Estimation
θ^MLE=argmaxθ∏i=1nf(xi;θ)
\hat{\theta}_{\text{MLE}} = \arg\max_{\theta} \prod_{i=1}^{n} f(x_i;\theta)
- Der Maximum-Likelihood-Schätzer (MLE) maximiert die Wahrscheinlichkeit, dass die beobachteten Daten unter Annahme eines bestimmten Modells auftreten.
Maximum Likelihood Estimation (MLE)
Maximum Likelihood Estimation
μ^MLE=argmaxμ∏i=1n2πσ21e−2σ2(xi−μ)2
\hat{\mu}_{\text{MLE}} = \arg\max_{\mu} \prod_{i=1}^{n} \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x_i-\mu)^2}{2\sigma^2}}
- In jeder Iteration des Schätzalgorhithmus (z.B. SIMPLEX), wird die Plausbilität der
Parameterwerte evaluiert, indem für jeden Datenpunkt die Wahrscheinlichkeit unter den Parametern berechnet wird.
Maximum Likelihood Estimation (MLE)
Maximum Likelihood Estimation
- Anschließend wird das Produkt aller Wahrscheinlichkeiten gebildet, um die Gesamtwahrscheinlichkeit der Daten
gegeben den Parametern (=Likelihood) zu berechnen.
μ^MLE=argmaxμ∏i=1n2πσ21e−2σ2(xi−μ)2
\hat{\mu}_{\text{MLE}} = \arg\max_{\mu} \prod_{i=1}^{n} \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x_i-\mu)^2}{2\sigma^2}}
Passiert in jeder Iteration der Schätzung für alle Parameter-Proposal !
Maximum Likelihood Estimation (MLE)
Maximum Likelihood Estimation
-
Problem: Da durch die Produktbildung sehr kleine Werte bei der Schätzung entstehen, kommt es bei der Berechnung häufig zu numerischen Fehlern
- Daher wird die überwiegend die log-Likelihood (LL) berechnet. Durch den Logarithmus kann anstatt dem Produkt, die Summe gebildet werden, um die Gesamtwahrscheinlichkeit zu berechnen!
Maximum Likelihood Estimation (MLE)
logL(θ)=∑i=1nlogf(xi;θ)
\log \mathcal{L}(\theta) = \sum_{i=1}^{n} \log f(x_i; \theta)
Maximum Likelihood Estimation
-
Auch die log-Likelihoodfunktion hat ihren Peak, wenn p(Data|θ) am größten ist! Die meisten Algorithmen minimieren jedoch die Diskrepanzfunktion !
- Lösung: Tranformation der Likelihood in die Abweichung von Model und Daten:
Maximum Likelihood Estimation (MLE)
Deviance=−2logL(θ)
\text{Deviance} = -2 \log \mathcal{L}(\theta)
Maximum Likelihood Estimation
-
Konsistenz: Mit steigendem Stichprobenumfang konvergieren die Schätzer mit den wahren Populationsparametern
-
Erwartungstreue: Der Mittelwert über viele Schätzungen ist gleich dem Populationsparameter
- Effizienz: Die Schätzer zeigen eine minimale Fehlervarianz
MLE sind probabilistische Diskrepanzfunktionen!
Haben im Gegensatz zu RMSE etc. erwünschte statistische Eigenschaften:
Maximum Likelihood Estimation
- Viele Kennwerte, die zur Beruteilung des Modelfit verwendet werden, sind χ2-Verteilt
-
Diese können dann mit einem NHST miteinander verglichen werden
- Wird häufig auch als Maß der Abweichung zwischen Daten und Vorhersagen genutzt (z.B. Strukturgleichungsmodellierung)
Modelfit & MLE
Bei (MLE)-Schätzungen können aufgrund der Likelihood unterschiedliche Kennwerte berechnet werden, um Modelle zu vergleichen
Maximum Likelihood Estimation
-
Sehr sensitiv für die Stichprobegröße - Höhere Power bei größerer Stichprobe !
- Kein Maß für den Fit, sondern quantifiziert nur Ablehnung der Nullhypothese !
- Kann nur für genestete Modelle verwendet werden (z.B. einfacheres vs. komplexes Modell)
- Normalverteilungsannahme !
Modelfit & MLE
Hautprobleme des Chi-Quadrat Tests:
Maximum Likelihood Estimation
Modelfit & MLE: Likelihood -Ratio Test
-
Der Likelihood-Ratio-Test wird dazu genutzt, Modelle mit einander zu vergleichen (relativer Modelfit)
-
Es wird das Verhältnis der Likelihood zweier Modelle berechnet.
- Das Ergebnis ist dann annähernd χ2-Verteilt, es kann ein Signifikanztest durchgeführt werden !
D
D
df
df
L0
L_0
Likelihood-Ratio
Likelihood einfaches Modell
L1
L_1
Likelihood komplexeres Modell
D=−2log(L1L0)
D = -2 \log \left(\frac{L_0}{L_1}\right)
k1−k0
k_1 - k_0
D∼χk1−k02
D \sim \chi^2_{k_1 - k_0}
Ist der Test signifikant, ist der Fit des komplexeren Modells besser
Maximum Likelihood Estimation
Modelfit & MLE: Informationskriterien
Die weitaus am häufigsten angewandten Fit-Indeces sind das Akaike Informationskriterium (AIC) und das Bayesian Information Criterium (BIC).
LL
LL
k
k
N
N
Log-Likelihood
Stichprobengröße
AIC=−2⋅LL+2⋅k
AIC = -2 \cdot LL + 2 \cdot k
BIC=−2⋅LL+k⋅log(N)
BIC = -2 \cdot LL + k \cdot log(N)
Anzahl der Modellparameter
-
Genau wie der Likelihood-Ratio Test, werden hier Modelle miteinander verglichen
-
Beide Indices bestrafen komplexere Modelle durch die Anzahl der Parameter (k)
- Der BIC zieht weiterhin in Betracht, dass die Stichprobengröße den Fit künstlich erhöht und bestraft dies mit einem zusätzlichen Strafterm für die Stichprobengröße
Thank you for Your Attention!
github.com/jgman86
jan.goettmann@uni-mainz.de
Seminar kognitive Modellierung: Maximum Likelihood & Beyond Jan Göttmann, M.Sc.
Lecture 4: Parameter Estimation II
By Jan Göttmann
Lecture 4: Parameter Estimation II
- 220
