La diferencia entre el MLE y REML

MLE y REML son métodos para hacer estimaciones estadísticas . Estadísticas implica analizar los datos con el fin de sacar conclusiones o describir los fenómenos de una manera significativa . Por ejemplo , las estadísticas se pueden utilizar para determinar la eficacia de un nuevo medicamento recetado . Estas conclusiones o las características de la población estudiada no siempre se conocen . En ese caso , MLE y REML pueden ser usados ​​para hacer estimaciones sobre la base de los datos existentes . Parámetros y Estimación

Tanto MLE y REML son diseñados para estimar los parámetros de un modelo estadístico . Un modelo estadístico sólo se muestra la relación entre las variables; el parámetro es el número desconocido o característica que los investigadores están recopilando y analizando datos para determinar . Por ejemplo , si un investigador quiere identificar el CI promedio de los estudiantes universitarios en los Estados Unidos, entonces ese es el parámetro del modelo estadístico . Dado que los investigadores no pudieron dar pruebas de coeficiente intelectual a todos los estudiantes universitarios en el país , deben estimar sus parámetros de una menor cantidad de datos recopilados.
MLE Explicación

gradas MLE para la estimación de máxima verosimilitud . El concepto surgió a partir del trabajo de RA Fisher en la década de 1920 y dice que los investigadores deben buscar la distribución de probabilidad que será más probable para ajustar los datos recogidos. Esto significa que en base a los datos de una parte de la población estudiada se puede estimar lo que los datos se infiere sobre toda la población. Al utilizar el software de análisis estadístico, varios parámetros se comparan con el software para determinar qué es lo más probable que coincida con lo que está mostrando los datos .
REML Explicación

REML es sinónimo de máxima Verosimilitud Restringida . REML es en realidad un tipo de MLE y , por lo tanto , está diseñado para hacer predicciones acerca de los parámetros basados ​​en los datos recogidos . Este método surgió de la labor de MS Barlett a finales de 1930 . Se diferencia de MLE en que las estimaciones no se basan en todos los datos recogidos , pero en contrastes identificados en los datos . Distribuciones de probabilidad se basan en estos contrastes en lugar de en el conjunto de datos recogidos. REML hace un mejor trabajo de hacer estimaciones sobre los efectos que hace MLE .

Diferencias de uso

REML se utiliza a menudo con modelos lineales mixtos . Estos modelos estadísticos intentan mostrar la relación entre los datos más complejos. En ocasiones, los modelos incluyen efectos aleatorios , datos agrupados o datos longitudinales. Por otro lado , MLE funciona mejor con datos más simple y distribuciones normales .