我正在使用python的statsmodels包进行线性回归。在R^2，p等的输出中，还存在“log-likelihood”。在文档中，这被描述为“拟合模型的似然函数的值”。我已经看了一下源代码并且不太了解它在做什么。
阅读有关似然函数的更多信息，我仍然对这个“对数似然”值可能意味着或将用于什么的概念非常模糊。所以有几个问题：
在线性回归的情况下，似然函数的值是否与参数的值（在这种情况下为beta）相同？这似乎是根据导致等式12的以下推导：http://www.le.ac.uk/users/dsgp1/COURSES/MATHSTAT/13mlreg.pdf
知道似然函数的价值有什么用？是否与具有相同响应和不同预测变量的其他回归模型进行比较？实际的统计学家和科学家如何使用statsmodels吐出的对数似然值？
答案 0 :(得分：1)
可能性（以及扩展对数似然）是统计学中最重要的概念之一。它用于一切。
对于您的第一点，可能性与参数的值不同。可能性是指给定一组参数估计的整个模型的可能性。它是通过获取一组参数估计值，计算每个参数估计值的概率密度，然后将所有观测值的概率密度相乘来计算出来的（这是从概率论中得出的P（A和B）= P（A）P（ B）如果A和B是独立的）。在实践中，这对线性回归和推导显示的含义是，您采用一组参数估计（beta，sd），将它们插入到正常的pdf中，然后计算每组观察的密度y参数估计。然后，将它们相乘。通常，我们选择使用对数似然因为它更容易计算，因为我们可以求和（log（a * b）= log（a）+ log（b））而不是乘法，这在计算上更快。此外，我们倾向于最小化负对数似然（而不是最大化正数），因为优化器有时在最小化方面比在最大化方面更好。
为了回答你的第二点，log-likelihood几乎用于所有事情。这是我们用于查找大量模型的参数估计（最大似然估计）的基本数量。对于简单线性回归，这些估计结果与最小二乘法相同，但对于更复杂的模型，最小二乘法可能不起作用。它还用于计算AIC，它可用于比较具有相同响应和不同预测变量的模型（但是会对参数数量进行惩罚，因为更多参数=更好地适合，无论如何）。