R语言卡方分布自由度极大似然估计(MLE)报错问题求解

• 函数名大小写不匹配：R语言大小写敏感，你定义的似然函数名为loglikfun，调用maxLik时错误传入了首字母大写的Loglikfun，导致函数调用异常，出现无意义计算结果。
• 手写对数似然公式符号错误：你的代码中括号配对错误，将原本需要减去的n*log(gamma(param[1]/2))项误变为加项，使得似然函数会随自由度k增大持续上升，优化器会向无穷大方向迭代，最终得到7496171这类完全偏离真实值的结果，迭代过程中gamma函数值过大也会触发NaN报错。
• 边界条件处理不完善：自由度小于等于0时返回NA的规则，部分优化器无法正确识别，容易导致迭代跑飞。

1. 修正函数名大小写错误，保证调用的函数名与定义完全一致。
2. 优先使用R内置函数计算对数似然，避免手写公式出错，代码更简洁可靠：

loglikfun <- function(param) {
  k <- param[1]
  # 自由度必须为正，不符合时返回极小似然值
  if (k <= 0) return(-1e9)
  return(sum(dchisq(x = X, df = k, log = TRUE)))
}

3. 如果你需要手写公式实现，可按正确的卡方分布对数似然修正代码：

卡方分布正确对数似然公式为：
$l(k) = \left(\frac{k}{2}-1\right)\sum\ln(x_i) - \frac{1}{2}\sum x_i - \frac{nk}{2}\ln2 - n\ln\Gamma\left(\frac{k}{2}\right)$

loglikfun <- function(param) {
    k <- param[1]
    if (k <= 0) return(-1e9)
    return( (k/2 - 1)*sum(log(X)) - sum(X)/2 - (n*k/2)*log(2) - n*log(gamma(k/2)) )
}

4. 优化初始值设置：可以将初始值设为样本均值（卡方分布的均值等于自由度k），提升收敛稳定性：

mle <- maxLik(loglikfun, start = c(df = mean(X)))

修正后运行代码即可得到接近真实值3的估计结果，不会再出现NaN报错和异常估计值。

内容的提问来源于stack exchange，提问作者SebastianBerko