该帮助的版本不再更新，请参见https://www.jmp.com/support/help/zh-cn/15.2 获取最新的版本.


拟合线性模型 • 混合模型 • “混合模型”特质的统计详细信息 • 收敛得分检验
上一个
 • 
下一个
收敛得分检验
收敛失败警告显示以下假设的得分检验：未知最大似然估计值 (MLE) 与模型拟合算法的最后一次迭代中给出的参数一致。该假设检验是可能实现的，因为相对梯度准则在代数上等价于得分检验统计量。显然得分检验不需要知道真实 MLE。
得分检验
首先考虑单个参数 θ 的情况。假定 l 是 θ 的对数似然函数，x 是数据。得分是对数似然函数对 θ 的导数：
观测信息是：
H0: 的得分检验的统计量为：
该统计量在原假设下服从自由度为 1 的渐近卡方分布。
得分检验可以推广到多个参数。考虑参数 θ 的向量，则 H0: 的得分检验的检验统计量为：
其中
和
表示矩阵 U 的转置矩阵。
检验统计量服从自由度为 k 的渐近卡方分布。其中 k 是无界参数的数目。
相对梯度
“混合模型”拟合过程的收敛准则基于相对梯度 。此处 是对数似然函数的梯度， 是它的 Hessian。
用 表示算法终止时的 值。请注意在 处计算出的相对梯度为得分检验统计量。使用具有 k 个自由度的卡方分布计算 p 值。该 p 值指示未知的 MLE 值是否与 一致。“随机效应协方差参数估计值”报表中列出的无界参数数目等于 k。