对数似然差为大负数时似然比计算的数值问题求解

在似然比检验、AIC/BIC等信息准则计算，或是数据克隆（基于贝叶斯机制的ML估计）的分层模型比较场景中，当对数似然差为大负数时，直接计算指数会导致数值下溢（结果为0），进而引发Inf、NaN等数值异常。以下是针对性的对数计算技巧，彻底规避这类问题：

1. 全程在对数尺度完成核心计算，跳过不必要的指数运算 #

直接利用对数似然差的代数性质，避免先计算exp(logLik(m1)-logLik(m2))这类容易下溢的步骤。以似然比检验（LRT）为例：
原本的计算逻辑是先求似然比再取对数，完全可以简化为直接对对数似然差做运算：

# 直接基于对数似然差计算LRT，无需计算似然比的指数
lrt_m1_m2 <- -2*(logLik(m1) - logLik(m2)) + 2*(3-4)
lrt_m1_m3 <- -2*(logLik(m1) - logLik(m3)) + 2*(3-5)
lrt_m2_m3 <- -2*(logLik(m2) - logLik(m3)) + 2*(4-5)

# 验证结果与AIC差值一致
lrt_m1_m2  # 等价于 m1$aic - m2$aic
lrt_m1_m3  # 等价于 m1$aic - m3$aic
lrt_m2_m3  # 等价于 m2$aic - m3$aic

这种方式从根源上避免了指数下溢的可能，所有运算都在稳定的对数尺度进行。

2. 用log-sum-exp技巧处理平均似然比（数据克隆场景） #

当需要计算mean(exp(lnL1_i - lnL2_i))（数据克隆中每个样本的对数似然差的指数平均值）时，直接计算exp(d_i)会因d_i为大负数而全为0，此时可以用**对数求和技巧（log-sum-exp）**稳定计算：

# 定义log-sum-exp函数，避免数值下溢
log_sum_exp <- function(x) {
  max_x <- max(x)
  max_x + log(sum(exp(x - max_x)))
}

# 模拟数据克隆得到的100个对数似然差（大负数）
set.seed(123)
d <- rnorm(100, mean = -400, sd = 10)

# 计算平均似然比
mean_lik_ratio <- exp(log_sum_exp(d) - log(length(d)))

原理是先将所有d_i减去最大值，让exp(d_i - max_x)的最大值为1，既不会溢出，也不会因d_i过小而全为0，最后再还原得到正确的平均值。

3. 简化代数表达式，避免倒数运算 #

原代码中-2*log(1/(likRATIO1/likRATIO2))这类倒数运算容易引发NaN，可以通过对数性质简化：
-2*log(1/(a/b)) = -2*(log(a) - log(b))，进一步替换为对数似然差的直接运算：

# 原复杂表达式的简化版，完全规避倒数
lrt_m2_m3 <- -2*(logLik(m3) - logLik(m2)) + 2*(4-5)

这种简化不仅避免数值异常，还让计算逻辑更清晰。

内容的提问来源于stack exchange，提问作者Constantin