A diferença entre MLE &REML

MLE e REML são métodos para fazer estimativas estatísticas. Estatísticas envolve análise de dados , a fim de tirar conclusões ou descrever os fenômenos de uma forma significativa . Por exemplo , as estatísticas podem ser usados ​​para determinar a eficácia de um novo medicamento de prescrição . Estas conclusões ou as características da população estudada , nem sempre são conhecidos . Nesse caso , MLE e REML pode ser usado para fazer estimativas com base nos dados existentes . Parâmetros e Estimativa

Ambos MLE e REML são projetados para estimar os parâmetros de um modelo estatístico . Um modelo estatístico simplesmente mostra a relação entre variáveis ​​; o parâmetro é o número desconhecido ou característica os pesquisadores estão coletando e analisando dados para determinar . Por exemplo, se um pesquisador quer identificar a média de QI de estudantes universitários nos Estados Unidos , então, que é o parâmetro do modelo estatístico . Desde os pesquisadores não poderia dar testes de QI para cada estudante universitário no país , eles devem estimar seus parâmetros a partir de uma quantidade menor de dados coletados.

MLE explicou

arquibancadas MLE por máxima verossimilhança . O conceito surgiu a partir do trabalho de RA Fisher na década de 1920 e diz que os investigadores devem procurar a distribuição de probabilidade de que será mais provável para ajustar os dados coletados. Isto significa que, baseado em dados de uma parte da população estudada pode estimar o que os dados infere sobre toda a população. Ao usar o software de análise estatística , vários parâmetros são comparados pelo software para determinar qual é o mais provável para corresponder ao que os dados estão mostrando .

REML explicou

REML significa máxima verossimilhança restrita . REML é realmente um tipo de MLE e, portanto, destina-se a fazer previsões sobre os parâmetros com base nos dados coletados. Este método surgiu a partir do trabalho de MS Barlett no final de 1930 . Difere de MLE em que as estimativas não são baseados em todos os dados recolhidos , mas em contrastes identificados nos dados . As distribuições de probabilidade são baseados nestes contrastes em vez de todo o conjunto de dados coletados. REML faz um trabalho melhor de fazer estimativas sobre os efeitos do que o MLE .

Diferenças no uso

REML é geralmente usado com modelos lineares mistos . Estes modelos estatísticos tentam mostrar a relação entre os dados mais complexos. Os modelos incluem , por vezes, efeitos aleatórios , dados agrupados ou dados longitudinais. Por outro lado , MLE funciona melhor com os dados mais simples e distribuições normais.