3.2.1 似然函数

生成过程与反向推断

在现实生活中，我们会观察到各种各样的现象，而现象的背后又包含着各种各样的原因。比如，突然下起了大雨，所以行人会被淋湿，而如果看到一个浑身湿透的人，我们也会推测外面可能下雨了。上述这个例子包含了心理学研究中的两种常见思路，一种是，我们可以提出假设，并认为在这个假设下应该会产生怎样的实验数据。另一种是，在实验过后，我们获得了数据，基于这些数据，我们会思考这些数据更支持哪一种假设。由原因生成观察数据，这被称为生成过程(Generative Process); 由观察数据反推原因，这被称为反向推断(Reverse Inference) , 接下来我们将详细介绍这两个过程以及其中涉及到的关键概念。

条件概率分布

首先，我们来了解生成过程。我们还是以下雨为例，并且把观察数据定为家门口是否有水，针对这类观察数据，可能获得的结果有两种：有水与无水。

并且，导致家门口有水产生的原因除了下雨，还有洒水车经过等等。那么，我们可以用条件概率的形式将原因和观察数据表示出来。

我们用符号对原因和观察数据进行表示：

• $O$ (observation)

1. $O_1$: 家门口有水 2. $O_2$: 家门口没有水

• $C$ (cause)

1. $C_1$ :下雨 2. $C_2$ : 洒水车经过 3. $C_3$ : 晴天

把这些原因和数据详细地列表，表A中的每一行都代表一种条件概率分布

🕵️‍♀️这些条件概率(即每个单元格内的数字)是怎么得来的？

我们以条件概率分布 $p (O|C_1)$ 为例，其他的条件概率分布，如接下来的$p (O|C_2)、 p (O|C_3)$ 都可以以此类推

假设，在过去的无数日子里，我分别记录了下雨的天数$N$和下雨之后家门口有水的天数$f$，则有：

• $p(O_1|C_1) = f/N$

• $p(O_2|C_1) = 1 - f/N$

根据这个表，我们可以总结条件概率分布的一个重要性质:

以第一行为例，在已知下雨的情况下，观察到家门口有水的概率是0.8，观察到家门口没水的概率是0.2

$p(O_1|C_1) + p(O_2|C_1) = 1$ 这两者相加的和一定为 1

似然函数

离散分布的似然函数

如果此时我们观察到家门口有水，那么最有可能发生的事情是发生了什么？我们会回答：下雨。为什么呢，锁定第一列，我们比较不同原因下出现有水的概率

$p(O_1|C_1) =0.8 > p(O_1|C_2) =0.6 > p(O_1|C_3) =0.2$

在上述这个过程中，我们由观察数据对背后的原因进行推断，即反向推断。表格中的一列包含了一种数据在不同原因下出现的条件概率，我们将这一系列条件概率组合称为似然函数。

这也正是似然函数告诉我们的，它允许我们去比较当前数据在不同假设下发生的相对可能性。而这个朴素的直觉背后就是接下来即将要介绍的 极大似然估计法。

同样地，我们将第一列的所有值相加，$p(O_1|C_1) + p(O_1|C_2) + p(O_1|C_3) = 1.6$，这三个条件概率相加的总和并不一定为 1。

条件概率分布与似然函数对比

现在，我们对条件概率分布与似然函数做一个对比：

在条件概率分布$p(O|C)$中，$C$的取值是固定的，比如$C = C_1$，而$O$则是变化的，如果取遍所有的$O$，必然有：

$$\int p(O|C)dO = 1$$

而似然函数则是一个函数，并不是一种概率分布，在似然函数$f(C) =p(O|C)$中，$O$的取值是固定的，比如$O = O_1$，$C$则是变化的，如果取遍所有的$C$，似然函数可以表示为：

$$\int p(O|C)dC \\其结果并不一定等于1.$$

连续分布下的似然函数

刚刚我们介绍了离散分布下的似然函数，更进一步的，我们来看看连续分布下的似然函数该如何表示。

假定我们有一系列的数据$D = [d_1,d_2,...d_i]$，且这些数据均来自于正态分布$N(\mu , \sigma^2)$ ，我们定义均值$\mu$ 和标准差 $\sigma$都是未知参数，即我们获得了这些数据，但是我们不知道这些数据来自于怎样的分布。

我们以其中一个数据点$d_i$为例，并将$(\mu, \sigma)$定义为二维参数$\theta$，那么在正态分布下 取到该数据点 $d_i$的可能性可以这样表示：

$$f(\mu,\sigma ) = p(d_i|\mu,\sigma) = p(d_i|\theta) = \frac{1}{\sqrt{2\pi\sigma^2}}exp(-\frac{(d_i-u)^2}{2\sigma^2})$$

假定不同的数据彼此独立，则在正态分布中取得这一连串数据的可能性可以写为（进行连乘）：

$$p(d_1,d_2,...d_i) = p(d_1|\theta) * p(d_2|\theta)*...p(d_i|\theta) = \prod\limits_{i=1}^{n}p(d_i|\theta)$$

注意，在上面这个式子中，$d_i$是已知的数据，$\theta$则是需要推断的

我们将$L(\theta) = \prod\limits_{i=1}^{n}p(d_i|\theta)$ 定义为基于数据$D = [d_1,d_2,...d_i]$的似然函数