R语言三参数逆Weibull模型极大似然估计实现问题咨询

问题1：支撑域外对数似然取值选择 #

不要将-Inf替换为-1e20这类有限极大负值，二者存在本质区别：

• 优化过程中如果迭代点进入支撑域（x>mu），返回-Inf会让绝大多数优化器直接判定该步不可行，自动回退调整步长，反而能避免优化器向不可行域漂移
• 返回有限极大负值会让优化器误判该点为可行点，大概率会引导优化器向sigma趋近于0的奇点漂移，这也是你后续优化结果sigma量级极低的核心原因之一
• 你的初始参数mu=4远大于生成样本的真实mu=1，初始点本身在可行域内，optimx的初始点报错和-Inf无关。如果确实要规避边界报错，建议直接给mu加约束：mu >= 样本最大值 + 1e-8，从参数层面避免进入不可行域。

问题2：支撑域外梯度设为0的合理性 #

完全不合理：

• 支撑域外的点本身是不可行的，梯度设为0会让优化器误判该点为局部极值点，直接卡在不可行域停止迭代，你得到的收敛码为1（迭代次数用尽）、sigma趋近于0的结果，就是优化器卡在不可行域边界、梯度为0导致的。
• 正确处理方式是要么给参数加边界约束，不让优化器进入不可行域；要么在不可行点返回惩罚值的同时，返回指向可行域的梯度方向，而非0梯度。

问题3：非处处可导场景下提供梯度的利弊 #

确实存在提供解析梯度反而降低优化稳定性的情况：

• BFGS这类拟牛顿优化方法依赖迭代点邻域内梯度连续的假设，你这个模型的梯度在mu等于样本取值的位置存在跳变，迭代到该区域时，解析梯度的跳变会导致拟牛顿法的海森矩阵更新完全偏离真实曲率，反而不如数值梯度稳定——数值梯度的差分计算会天然平滑掉单点的梯度跳变。
• evd等极值分布包不使用解析梯度，就是因为这类带端点约束的分布似然普遍存在边界奇异性，数值梯度的鲁棒性显著高于解析梯度，尤其在小样本场景下。

问题4：optimx参数匹配报错原因 #

optimx的原生参数列表中本身就存在名为x的参数（用于接收向量化的优化目标入参），而你自定义的负对数似然函数、梯度函数的第二个参数也命名为x，传参时x=sample会同时匹配optimx的原生参数和自定义函数的入参，导致匹配冲突。

• 修复方法：将ll.wei、nll.wei、gradnll.wei的第二个参数名从x改为dat/obs这类不冲突的名称，调用时传参写dat = sample即可解决。

额外优化建议 #

• parscale参数使用：该参数是和待估参数长度相同的向量，每个元素对应参数的典型缩放尺度，用于调整不同量级参数的步长比例，你这个场景下可以设置control = list(parscale = c(2,1,0.5))，匹配三个参数的真实量级，避免步长配置不合理导致的收敛失败。
• 建议改用带边界约束的L-BFGS-B方法，显式设置参数上下界：lower = c(0.1, max(sample)+1e-8, 1e-4)，从根源避免优化器进入不可行域。
• 调试阶段可以先不传入解析梯度，使用默认数值梯度验证优化逻辑，稳定后再考虑接入解析梯度。

内容的提问来源于stack exchange，提问作者barri