我有以下Poisson发行版：
Data
3 5 3 1 2 1 2 1 0 2 4 3 1 4 1 2 2 0 4 2 2 4 0 2 1 0 5 2 0 1
2 1 3 0 2 1 1 2 2 0 3 2 1 1 2 2 5 0 4 3 1 2 3 0 0 0 2 1 2 2
3 2 4 4 2 1 4 3 2 0 3 1 2 1 3 2 6 0 3 5 1 3 0 1 2 0 1 0 0 1
1 0 3 1 2 3 3 3 2 1 1 2 3 0 0 1 5 1 1 3 1 2 2 1 0 3 1 0 1 1
我使用以下代码找到MLE Θ̂
lik<-function(lam) prod(dpois(data,lambda=lam)) #likelihood function
nlik<- function(lam) -lik(lam) #negative-likelihood function
optim(par=1, nlik)
我想做的是创建一个自举置信区间，以测试0.05级水平下Θ= 1的零假设，并使用我上面使用的数值优化方法找到p值。
我认为这将是与此类似的事情
n<-length(data)
nboot<-1000
boot.xbar <- rep(NA, nboot)
for (i in 1:nboot) {
data.star <- data[sample(1:n,replace=TRUE)]
boot.xbar[i]<-mean(data.star)
}
quantile(boot.xbar,c(0.025,0.975))
但是我不认为这会利用优化，而且我不确定如何获得p值。
最佳答案
几点：
（1）为保证数值稳定性，您可能希望考虑对数似然比而不是负似然。
（2）根据Zheyuan的建议，您需要使用优化而不是优化来在一维参数空间中进行nll最小化。
lik<-function(lam) sum(log(dpois(data,lambda=lam))) #log likelihood function
nlik<- function(lam) -lik(lam) #negative-log-likelihood function
optimize(nlik, c(0.1, 2), tol = 0.0001)
# $minimum
# [1] 1.816661
# $objective
# [1] 201.1172
n<-length(data)
nboot<-1000
boot.xbar <- rep(NA, nboot)
for (i in 1:nboot) {
data.star <- data[sample(1:n,replace=TRUE)]
boot.xbar[i]<-mean(data.star)
}
quantile(boot.xbar,c(0.025,0.975))
# 2.5% 97.5%
# 1.575000 2.066667
（3）您可以使用bbmle包中的mle2来计算MLE并立即构造置信区间。
library(bbmle)
res <- mle2(minuslogl = nlik, start = list(lam = 0.1))
res
# Coefficients:
# lam
# 1.816708
# Log-likelihood: -201.12
confint(profile(res)) # confint w.r.t. the likelihood profile
# 2.5 % 97.5 %
# 1.586083 2.068626
confint(res, method="uniroot") # based on root-finding to find the exact point where the profile crosses the critical level
# 2.5 % 97.5 %
# 1.586062 2.068606