Maksimum-Likelihood-Estimation
Maximum Likelihood Estimation (MLE) er en generel parametrisk metode til at estimere de ukendte parametre i en statistisk model ved at finde de parameterværdier, der gør de observerede data mest sandsynlige. Formaliseret af R. A. Fisher i hans skelsættende artikel fra 1922 i Philosophical Transactions of the Royal Society, er MLE blevet det dominerende paradigme for parametersestimering i moderne statistik og er den grundlæggende motor bag logistisk regression, generaliserede lineære modeller, strukturel ligningsmodellering og stort set alle parametriske inferensprocedurer.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Fisher, R. A. (1922). On the mathematical foundations of theoretical statistics. Philosophical Transactions of the Royal Society of London, Series A, 222, 309–368. DOI: 10.1098/rsta.1922.0009 ↗
- Casella, G., & Berger, R. L. (2002). Statistical Inference (2nd ed.). Duxbury Press / Cengage Learning. ISBN: 978-0534243128
Sådan citerer du denne side
ScholarGate. (2026, June 3). Maximum Likelihood Estimation. ScholarGate. https://scholargate.app/da/statistics/maximum-likelihood-estimation
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- EM-algoritmenStatistik↔ compare
- Logistisk regressionForskningsstatistik↔ compare
- MomentmetodenElektroteknik↔ compare
- Strukturel LigningsmodelleringForskningsstatistik↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →