使用最大似然法在R中拟合Logit / Probit回归模型

Question

这是一个简单的问题：

我想知道R中是否有任何功能可以使用最大似然法来适应 logit / probit 回归模型？

目前，我正在使用函数glm给出的OLS方法（我希望它确实使用OLS方法）...我在某处读到了使用OLS方法的probit / logit模型可能会出现附带参数问题。所以我想尝试使用MLE方法。

提前感谢您的帮助！

Answer 1

@ Maju116的评论是正确的。 glm()不使用普通最小二乘，它使用iteratively reweighted least squares;正如链接的维基百科文章所说

  

IRLS用于查找广义线性模型的最大似然估计值

二项式族的默认链接是logit，因此glm(...,family=binomial)或glm(...,family=binomial(link="logit"))将适合logistic（logit）回归。 glm(...,family=binomial(link="probit"))符合probit回归。

如果您目前正在使用glm(...) 而不使用明确的family参数，那么您将假设高斯错误，这意味着您将获得相同的答案作为普通最小二乘（lm()）（这是具有高斯（正常）分布式误差的数据集的最大似然估计）。为了清晰和高效，当您想要执行OLS时，通常最好使用lm()而不是glm()和默认系列。