概念卡：最大似然估计 MLE

综合实践 · 01_专业概念地图/概念卡_最大似然估计.md

概念卡：最大似然估计 MLE

一句话定义

最大似然估计是选择一组参数，使当前观测数据在模型下最“可能”出现。

它解决什么问题

它提供了一种从数据中估计模型参数的通用方法。

典型使用场景

• 拟合正态分布参数。
• 估计回归模型参数。
• 拟合 GEV、GPD 等统计分布。

需要知道的关键词

• Likelihood
• Log-likelihood
• Parameter
• Optimization
• Estimator

和导师方向的关系

应用统计和极值建模中经常需要估计模型参数，MLE 是最常见的入口方法之一。

交流时可以怎么说

这里可以先用最大似然估计得到参数，再通过诊断图或不确定性区间检查拟合是否可靠。

我理解 MLE 的核心是让模型最能解释当前观察到的数据。

可以追问的问题

• 这个模型的似然函数怎么写？
• 参数估计是否稳定？
• 是否需要置信区间或 bootstrap 检查不确定性？

给 AI 的提示词

请用直觉解释最大似然估计，并用一个正态分布或回归模型的简单例子说明。最后给出作业中可写的专业表达。

我的理解边界

• 已理解：MLE 是用数据反推最可能的参数。
• 还不确定：复杂模型的似然函数推导。
• 下次需要补：log-likelihood 为什么更常用。