stata学习笔记|最大似然估计

最大似然估计一般在回归模型出现非线性时使用，此时，最大似然估计或非线性最小二乘法均可。

在线性回归模型中，由于MLE与OLS的估计量一致，所以即使扰动项不服从正态分布也没关系，但是，如果在非线性模型中，扰动项不服从正态分布，而采用了MLE模型，则会导致出现“准最大似然估计”，其结果并不精准。

当出现非正态分布时，需对数据进行进一步的处理，例如对数化等，以达到正态分布。

正态检验

画图

直方图：normal表示与正态分布进行对比 

hist x,normal

核密度图：lpattern指的是用什么线条画核密度曲线，系统默认的是不同颜色进行区分，但是若需要复制到论文中，最好用不同的线条表示，这样在黑白打印的时候也能够明显看出。

 kdensity x,normal lpattern("-")

 QQ图：正态分布的表现在QQ图中应该是大多数集中于y=x的线上

qnorm x

 各种检验（原假设均为正态分布）

 JB检验（需先下载jb6程序）:观察Chi(2)后面的数值，当作p值判断

jb6 x 

D‘Agostino检验：观察右下角的p值 

sktest x

Shapiro-Wilk检验：同理 

swilk x

Shapiro-Francia检验

sfrancia x 

 MLE检验

陈强老师的书上并没有很多相关的介绍，而根据连玉君老师的分享，应该是需要现根据设定的模型进行ado文件的编写，例如根据指数分布进行编写

 之后再进行调用

 

详细可见下面的链接。

极大似然估计 (MLE) 及 Stata 实现 - 知乎

一般来说，在论文写作中不常用MLE，因为要去预测一个完整的模型是存在很多不确定性和困难的。