Nächste Seite: Hesse-Matrix
Aufwärts: Maximum-Likelihood-Schätzer für
Vorherige Seite: Maximum-Likelihood-Schätzer für
  Inhalt
Loglikelihood-Funktion und ihre partiellen Ableitungen
- Aus (2) - (3) bzw. aus
(11) ergibt sich, dass die Loglikelihood-Funktion
der Zufallsstichprobe
als eine Funktion
von
geschrieben werden kann.
- Und zwar folgt aus (2) - (3),
dass
 |
(23) |
- Hieraus und aus (11) ergibt sich nun, dass
 |
(24) |
- Für verallgemeinerte lineare Modelle mit natürlicher Linkfunktion
ergibt sich aus (13) und (23), dass
 |
(25) |
Zur Bestimmung von Maximum-Likelihood-Schätzern ist die Kenntnis
der so genannten Scorefunktionen, d.h. der partiellen Ableitungen
der Loglikelihood-Funktion, sowie der Fisher-Informationsmatrix
nützlich, die wie folgt definiert ist.
- Definition
Für beliebige
sei

und
Dann wird der
-dimensionale Zufallsvektor
bzw. die (deterministische)
-Matrix
der Scorevektor bzw. die Fisher-Informationsmatrix genannt.
Mit der Schreibweise
 |
(26) |
ergibt sich das folgende Resultat.
Theorem 4.1

Für beliebige

gilt
 |
(27) |
und
 |
(28) |
bzw. in Matrix-Schreibweise
und |
(29) |
wobei
- Beweis
-
- Die in (23) bzw. (24) gegebene
Loglikelihood-Funktion lässt sich in der Form
schreiben, wobei
und
.
- Somit gilt für jedes
, dass
 |
(30) |
wobei sich durch die mehrfache Anwendung der Kettenregel ergibt,
dass
 |
(31) |
- Andererseits gilt offenbar, dass
, und aus
Lemma 4.2 ergibt sich, dass
bzw.
- Hieraus und aus (30) - (31)
ergibt sich die Gültigkeit von (27).
- Um (28) zu zeigen, genügt es zu beachten, dass für
beliebige
wegen der Unabhängigkeit der Stichprobenvariablen
.
- Hieraus und aus (27) ergibt sich, dass
- Damit ist (28) bewiesen.
Korollar 4.1
Sei

ein GLM mit natürlicher Linkfunktion

. Dann gilt für
beliebige
bzw. |
(32) |
und
bzw. |
(33) |
- Beweis
Weil
eine natürliche Linkfunktion ist, gilt
für jedes
. Hieraus und aus
Lemma 4.2 ergibt sich, dass
Die Behauptung ergibt sich somit aus
Theorem 4.1.
Nächste Seite: Hesse-Matrix
Aufwärts: Maximum-Likelihood-Schätzer für
Vorherige Seite: Maximum-Likelihood-Schätzer für
  Inhalt
Hendrik Schmidt
2006-02-27