La differenza tra MLE & REML

MLE e REML sono metodi per fare stime statistiche . Statistiche coinvolge l'analisi dei dati , al fine di trarre conclusioni o descrivere i fenomeni in modo significativo . Ad esempio , le statistiche possono essere usati per determinare l'efficacia di un nuovo farmaco di prescrizione . Queste conclusioni o caratteristiche della popolazione studiata , non sono sempre noti . In tal caso , MLE e REML possono essere usati per formulare stime basate su dati esistenti . parametri & Stima

Sia MLE e REML sono progettati per stimare i parametri di un modello statistico . Un modello statistico mostra semplicemente la relazione tra le variabili ; il parametro è il numero sconosciuto o caratteristica i ricercatori stanno raccogliendo e analizzando dati per determinare . Ad esempio, se un ricercatore vuole identificare il QI medio di studenti universitari negli Stati Uniti, che poi è il parametro del modello statistico . Dal momento che i ricercatori non hanno potuto dare IQ test per ogni studente di college nel paese , essi devono stimare i loro parametri di una minore quantità di dati raccolti .
MLE illustrati

stand MLE per la stima di massima verosimiglianza . L'idea è nata dal lavoro di RA Fisher nel 1920 e dice che i ricercatori dovrebbero cercare la distribuzione di probabilità che sarà più probabile per adattare i dati raccolti . Ciò significa che, in base a dati da una porzione della popolazione studiata si può stimare che i dati deduce sull'intera popolazione . Quando si utilizza software di analisi statistica , più parametri vengono confrontati dal software per determinare quale è il più probabile per corrispondere a ciò che i dati sta mostrando .
REML spiegato

REML sta per Restricted massima verosimiglianza . REML è in realtà un tipo di MLE e, di conseguenza , è stato progettato per fare previsioni sui parametri in base ai dati raccolti . Questo metodo è nata dal lavoro di MS Barlett alla fine del 1930 . Si differenzia da MLE dal fatto che le stime non si basano su tutti i dati raccolti ma sui contrasti individuati nei dati . Distribuzioni di probabilità si basano su questi contrasti invece che sulla serie completa dei dati raccolti . REML fa un lavoro migliore di fare stime circa gli effetti di quanto non MLE .

Differenze nell'uso

REML viene spesso utilizzato con modelli misti lineari . Questi modelli statistici cercano di mostrare la relazione tra i dati più complessi . I modelli a volte includono gli effetti casuali , dati in cluster o dati longitudinali . D'altra parte , MLE funziona meglio con i dati più semplice e distribuzioni normali.