深度非线性概率预测算法研究.pptVIP

我们可用与图10.2.1相类似的非线性函数—逻辑函

数，来逼近图10.2.1中的函数曲线：;当;我们能够把整体看作一种变量，于是便

有线性回归模型;在这种情况下，所有因变量观测值能够按不同自变

量观测值分成许多组，例如，共可分为G组。假设

第i组共有ni个家庭收入为xi，其中有ri个家庭已购置

汽车，其余尚未购置。于是收入为xi的家庭，购置

汽车的概率为;;但必须指出，这一方法能否正确得出参数预计值的

核心是每一种自变量xi所相应的因变量观察值不能

少于5或6个。假如样本容量不太大或自变量数目很

多，上述条件不能满足，则此法不适用。

此种方法，显然能够推广到多个自变量的情况。;1.建立似然函数

对第i个消费者进行观测所得到的成果只有两种情况：

已经购置汽车，即，或者尚未购置汽车，

即。

设yi=1的概率为pi，则yi=0的概率为(1-pi)，于是变

量y服从两点分布，其概率分布列为：;;2.极大似然预计

极大似然预计的基本思想是：我们观测到的样本应

该是出现概率最大的样本。本问题中，既然来自总

体的样本含有概率分布(10.2.11)，我们应该要求参数

β0和β1的取值使(10.2.11)达成极大值，满足上述极

值条件求出的β0和β1的预计量，称为极大似然估

计量。

对(10.2.11)式两边取对数：