Zusammenfassung
Dieser Beitrag ist als Einführung in die Maximum-Likelihood (ML) Schätztheorie gedacht und erfordert vom Leser nur wenig Vorwissen. Im Gegensatz zu anderen Schätzverfahren, wie zum Beispiel dem OLS-Ansatz, beruht der Maximum-Likelihood Ansatz auf der expliziten Spezifizierung der auf die unabhängigen Variablen bedingten Verteilung der abhängigen Variable. Die Parameter (z. B. Regressionskoeffizienten) werden dann so bestimmt, dass die Schätzwerte der Parameter die Wahrscheinlichkeit maximieren, dass die Verteilung der vorhergesagten Werte der abhängigen Variable möglichst gut mit der beobachteten Verteilung der Werte übereinstimmt. Diese Idee ist so generell, dass sie sowohl auf lineare wie auch nichtlineare Modelle angewandt werden kann. Zudem erlaubt der Maximum-Likelihood Ansatz, dass die Parameter wie auch ihre Inferenzstatistik in einem einheitlichen Rahmen hergeleitet werden können. Grob gesagt ist es lediglich notwendig, dass die aus dem Modell resultierende Maximum-Likelihood Funktion zweimal stetig differenzierbar ist. Nachteilig wirkt sich dieser einheitliche Ansatz jedoch dahingehend aus, als dass die Maximum-Likelihood Theorie nur asymptotische Gültigkeit besitzt und zur Parameterbestimmung in kleinen Stichproben ungeeignet ist, da die Schätzwerte im Allgemeinen nicht erwartungstreu sein werden. In diesem Beitrag werden die wichtigsten Punkte besprochen, welche zum Verständnis der Maximum-Likelihood Schätztheorie und damit verbundenen, gängigen Regressionsverfahren der Sozialwissenschaften wesentlich sind: Maximum-Likelihood Schätzung für Modelle mit einem Parameter, Maximum-Likelihood Schätzung für Modelle mit mehreren Parametern, Inferenzstatistik (Hypothesen über einen Parameter, Hypothesen über mehrere Parameter) und Modellgüte. Des Weiteren wird auf die statistischen Eigenschaften der Maximum-Likelihood Schätzer eingegangen. Da Maximum-Likelihood Schätzer nicht immer analytisch zu bestimmen sind, rundet ein kurzer Abschnitt zu gebräuchlichen, numerischen Optimierungsverfahren den Beitrag ab. Natürlich ist der Platz in diesem Beitrag zu knapp, als dass alle Themen im Zusammenhang mit dem Maximum-Likelihood Ansatz besprochen werden könnten. So ist es zum Beispiel nicht möglich, auf diverse Erweiterungen einzugehen. Bei nicht korrekter Spezifizierung der Verteilung der abhängigen Variable resultieren zum Beispiel Maximum-Likelihood Schätzer, die nicht mehr die gewollten statistischen Eigenschaften aufweisen. In solchen Fällen muss die Maximum-Likelihood Funktion entsprechend angepasst werden (z. B. Pseudo-Maximum- Likelihood Schätzungen). Für solche und weitere Erweiterungen sei der Leser auf die im Literaturverzeichnis aufgeführten Lehrbücher verwiesen.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literaturverzeichnis
Akaike, H. (1973). Information Theory and an Extension of the Maximum Likelihood Principle. In B. N. Petrov & B. F. Csaki (Hg.), Second International Symposium on Information Theory(S. 267–281). Budapest: Academiai Kiado.
Aldrich, J. H. (1997). R. A. Fisher and the Making of Maximum Likelihood 1912–1922. Statistical Science, 12, 162–176.
Aldrich, J. H. & Nelson, F. D. (1984). Linear Probability, Logit, and Probit Models. Beverly Hills: Sage Publications.
Amemiya, T. (1985). Advanced Econometrics. Cambridge: Harvard University Press.
Berger, J. O., Liseo, B., & Wolpert, R. L. (1999). Integrated Likelihood Methods for Eliminating Nuisance Parameters. Statistical Science, 14, 1–28.
Cameron, A. C. & Windmeijer, F. A. G. (1997). An R-squared Measure of Goodness of Fit for Some Common Nonlinear Regression Models. Journal of Econometrics, 77, 329–342.
Engle, R. F. (1984). Wald, Likelihood Ratio and Lagrange Multiplier Tests in Econometrics. In Z. Griliches & M. D. Intriligator (Hg.), Handbook of Econometrics, Band 2 (S. 775–826). New York: North-Holland.
Greene, W. H. (2008). Econometric Analysis. Englewood Cliffs: Prentice-Hall, 6. Auflage.
Hadley, G. (1961). Linear Algebra. Reading: Addison Wesley.
Kullback, S. & Leibler, R. A. (1951). On Information and Sufficiency. Annals of Mathematical Statistics, 22, 79–86.
Le Cam, L. (1986). Asymptotic Methods in Statistical Decision Theory. New York: Springer (Springer Series in Statistics).
Maddala, G. S. (1986). Limited-Dependent and Qualitative Variables in Econometrics. Cambridge: Cambridge University Press.
Magee, L. (1990). R-square Measures Based on Wald and Likelihood Ratio Joint Significance Tests. The American Statistician, 44, 250–253.
McFadden, D. (1973). Conditional Logit Analysis of Qualitative Choice Behaviour. In P. Zarembka (Hg.), Frontiers in Econometrics(S. 105–142). New York: Academic Press.
Pawitan, Y. (2001). In All Likelihood: Statistical Modelling and Inference Using Likelihood. New York: Oxford University Press.
Schwarz, G. (1978). Estimating the Dimension of a Model. Annals of Statistics, 6, 461–464.
Thisted, R. A. (1988). Elements of Statistical Computing: Numerical Computation. New York: Chapman & Hall.
Verbeek, M. (2008). A Guide to Modern Econometrics. West Sussex: John Wiley & Sons, 3. Auflage.
Wilks, S. S. (1962). Mathematical Statistics. New York: John Wiley & Sons.
Windmeijer, F. A. G. (1995). Goodness-of-fit Measures in Binary Choice Models. Econometric Reviews, 14, 101–116.
Wooldridge, J. M. (2002). Econometric Analysis of Cross Section and Panel Data. Cambridge: MIT Press.
Editor information
Rights and permissions
Copyright information
© 2010 VS Verlag fur Sozialwissenschaften | Springer Fachmedien Wiesbaden GmbH
About this chapter
Cite this chapter
Gautschi, T. (2010). Maximum-Likelihood Schätztheorie. In: Wolf, C., Best, H. (eds) Handbuch der sozialwissenschaftlichen Datenanalyse. VS Verlag für Sozialwissenschaften. https://doi.org/10.1007/978-3-531-92038-2_10
Download citation
DOI: https://doi.org/10.1007/978-3-531-92038-2_10
Publisher Name: VS Verlag für Sozialwissenschaften
Print ISBN: 978-3-531-16339-0
Online ISBN: 978-3-531-92038-2
eBook Packages: Humanities, Social Science (German Language)