Metoda maximální věrohodnosti pro pozorování, která nejsou stejně rozdělená nebo nezávislá

Abstract

V práci se zabýváme metodou maximální věrohodnosti pro pozorování, která jsou nezávislá, ale nejsou stejně rozdělená. V první části jsou stanoveny podmínky pro konzistenci a asymptotickou normalitu maximálně věrohodných odhadů v tomto případě. Využívá se zde hlavně stejnoměrná integrovatelnost náhodných veličin. Ověření uvedených podmínek je ilustrováno na K-výběrovém problému. V druhé části se práce zaměřuje na situace, ve kterých odhady parametrů získáme minimalizací konvexních funkcí. Důkaz konzistence a asymptotické normality pro tyto odhady je založen na výsledcích pro konvexní náhodné funkce. Tento postup je možné použít pro metodu maximální věrohodnosti v modelech s logkonkávními hustotami. Příklad normálního lineárního modelu, logistické regrese a poissonovské regrese demonstruje použití výsledků představených v druhé části práce.

Maximum likelihood approach for independent but not identically distributed observations is studied. In the first part of the thesis, conditions for consistency and asymptotic normality of the maximum likelihood estimates for this case are stated. Uniform integrability has a major role in proving the desired properties. K-sample problem serves as an example for using the described method. The second part is focused on estimates obtained by minimizing convex functions. Convexity is a key for showing the consistency and asymptotic normality of the estimates in this case. The results can be used for maximum likelihood when observations with logconcave densities are involved. Finally, normal linear model, logistic regression and Poisson regression examples are provided to present the application of the method.