MLE估计：对数似然求解无可行解及替代方法问询

嘿，我发现你在推导对数似然函数的导数时出了点小错误，咱们一步步梳理，找到正确的解法：

步骤1：构建似然函数并明确约束 #

首先，对于独立同分布的样本$Y_1,Y_2,...,Y_n$，每个样本的概率密度函数是$f_Y(y)=\frac{2y}{θ^2}$，支撑集为$0<y<θ$。

似然函数是所有样本密度的乘积，但必须注意支撑集的约束：只有当$\theta > \max(Y_1,Y_2,...,Y_n)$时，每个$Y_i$的密度才不为0，否则似然函数直接为0。

所以似然函数可以写成：
$$
L(\theta) =
\begin{cases}
\prod_{i=1}^n \frac{2Y_i}{\theta^2} = \frac{2^n \left(\prod_{i=1}^n Y_i\right)}{\theta^{2n}}, & \theta > \max(Y_1,...,Y_n) \
0, & \theta \leq \max(Y_1,...,Y_n)
\end{cases}
$$

步骤2：推导对数似然函数 #

对似然函数取自然对数（仅考虑$\theta > \max(Y_1,...,Y_n)$的情况，因为其他情况似然为0，不可能是最大值）：
$$
\ln L(\theta) = n\ln2 + \sum_{i=1}^n \ln Y_i - 2n\ln\theta
$$
这里要注意：$\sum_{i=1}^n \ln Y_i$是和$\theta$无关的常数项，求导时会消失——这就是你之前推导的错误所在！

步骤3：分析对数似然的单调性 #

对$\ln L(\theta)$关于$\theta$求导：
$$
\frac{d}{d\theta} \ln L(\theta) = -\frac{2n}{\theta}
$$
因为$\theta > 0$，这个导数恒为负数，说明$\ln L(\theta)$在$\theta > \max(Y_1,...,Y_n)$的区间内是单调递减的函数。

步骤4：确定极大似然估计 #

要最大化单调递减的$\ln L(\theta)$，我们需要取$\theta$的最小可能值——而$\theta$的最小允许值就是$\max(Y_1,Y_2,...,Y_n)$（因为$\theta$不能小于样本最大值，否则似然函数为0）。

所以θ的极大似然估计为：
$$
\hat{\theta}_{MLE} = \max(Y_1,Y_2,...,Y_n)
$$

简单来说，当似然函数的导数在有效区间内没有零点（导数恒负/恒正）时，MLE就出现在参数的边界上，也就是满足支撑集约束的极值点。

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