Durch (26) ist ein parametrisches Modell für
die Verteilung des Vektors
der
Stichprobenvariablen
gegeben.
Außer der Methode der kleinsten Quadrate, die in
Abschnitt 2.1 diskutiert worden ist, kann nun auch
die Maximum-Likelihood-Methode zur Gewinnung von Schätzern für
die unbekannten Modellparameter
und
verwendet werden.
Wir suchen Schätzer
,
für
, , so dass mit Wahrscheinlichkeit
(31)
bzw. äquivalent hierzu
(32)
Beachte
Die Maximierung in (31) bzw.
(32) kann in zwei Schritten erfolgen: zuerst
bezüglich
und dann bezüglich . Wegen
(30) ist der erste Schritt identisch mit dem in
Abschnitt 2.1.1 betrachteten Minimierungsverfahren.
Theorem 2.6
Die Lösung des Maximierungsproblems
bzw.
ist eindeutig bestimmt und gegeben durch
(33)
bzw.
(34)
Beweis
Für beliebige, jedoch fest vorgegebene
und
betrachten wir zunächst die Abbildung
(35)
In Theorem 2.1 hatten wir gezeigt, dass die in
(35) gegebene Abbildung das eindeutig bestimmte
globale Maximum
besitzt, das nicht von abhängt.
Für jedes (fest vorgegebene)
betrachten wir nun
die Abbildung
(36)
Diese Abbildung ist stetig, und es gilt offenbar
Weil vorausgesetzt wird, nimmt der -dimensionale
absolutstetige Zufallsvektor
nur mit Wahrscheinlichkeit
0 Werte in der -dimensionalen Teilmenge
des
an.
Deshalb gilt
mit
Wahrscheinlichkeit und somit
für fast jedes
.
Für fast jedes
besitzt also die in
(36) gegebene Abbildung mindestens ein globales
Maximum in
.
Für jedes dieser Maxima gilt
Die (eindeutig bestimmte) Lösung dieser Gleichung ist
Beachte
Der in Theorem 2.6 hergeleitete ML-Schätzer
für
stimmt mit dem in
Theorem 2.1 hergeleiteten KQ-Schätzer überein.
Der ML-Schätzer
für unterscheidet
sich dagegen von dem in Abschnitt 2.1.3
betrachteten (erwartungstreuen) Schätzer für um
einen konstanten Proportionalitätsfaktor, denn es gilt