対数尤度の解釈

一部の結果を解釈するのが難しい。私はで階層関連の回帰を行っていますecoreg。コードを入力すると、オッズ比、信頼比、2倍の最大対数尤度で出力を受け取ります。

ただし、2倍に最大化された対数尤度を解釈する方法を完全には理解していません。私の知る限り、対数尤度は尤度を計算する便利な方法として使用され、結果に基づいてパラメーターの値を計算します。しかし、私はより高いまたはより低い値が良いかどうかわかりません。/programming/2343093/what-is-log-likelihoodなど、いくつかのオンラインソースを確認しましたが、まだ行き詰まっています。

私が受け取る結果の下：

Call:
eco(formula = cbind(y, N) ~ deprivation + meanIncome, binary = ~fracSmoke + 
    soclass, data = dfAggPlus, cross = cross)

Aggregate-level odds ratios: 
                   OR        l95        u95
(Intercept) 0.0510475 0.03837276 0.06790878
deprivation 0.9859936 0.88421991 1.09948134
meanIncome  1.0689951 0.95574925 1.19565924

Individual-level odds ratios:
                OR       l95      u95
fracSmoke 3.124053 2.0761956 4.700765
soclass   1.001050 0.9930815 1.009083

-2 x log-likelihood:  237.4882 

では、206または1083の結果と比較して237.4882の値をどのように解釈すればよいでしょうか。ヘルプは大歓迎です！

尤度Lから少なくともいくつかの意味を得るには、修正サンプル数Nの場合、特定の分布モデルの最大対数尤度は主にスケールに依存することを覚えておいてください。与えられた分散について、正規分布が最も高い値を持ちます。ある程度の洞察を得るために、logLをNで除算してから、スケールの修正も行います。データが均一分布によりよく適合する場合は、一定の範囲の最大エントロピー関数として均一尤度を一種の参照として使用することをお勧めします。別の一般的な参照値は、KDE近似を使用し、これに対するLを計算するための継続的なケースの場合があります。ただし、Lを行うと、KS値やrmsエラーなどよりも解釈が難しくなります。
別のモデルを使用してLを大きくしても、モデルが優れているとは限りません。おそらく、過剰適合の状況にあるからです。これを含めるには、AIC値を使用します。ここでは低い方が良く、ここでも「参照」として正規分布を使用できます。