Python 删失数据的负对数似然

我想使用负对数似然函数作为目标函数，用右截尾对大致高斯数据进行建模。我的目标函数如下所示，但我不确定如何计算出用于计算的标准偏差。通常情况下，我们只是最小化高斯最大似然的RMSE，标准偏差降低到可以安全忽略的常数。当使用1-CDF计算截尾数据的可能性时，不清楚标准偏差是否不重要。使用响应变量的标准偏差作为标准偏差是否安全

我真的不想使用一致性指数建模，我更喜欢使用非参数技术，而不是简单的cox比例风险模型

import numpy as np
from scipy.stats import norm
def censored_nll(event, value, prediction, std_dev):
    if event:
        return -np.log(norm.pdf(value, prediction, std_dev))
    return -np.log(norm.sf(value, prediction, std_dev))

使用响应变量的标准偏差作为标准偏差是否安全

绝对不是，观察到的分布不适合计算汇总统计数据，因为有正确的截尾数据点

必须以数值方式计算平均值和标准偏差的最大似然误差。您的代码已经完成了一半，但让我帮您一把：

将numpy导入为np
从scipy.stats导入norm
def审查（参数、事件、持续时间）：
mu，std_dev=params
观察到的持续时间=持续时间[事件==1]#或事件==True
删失_持续时间=持续时间[~（events==1）]#或events==True
返回-（np.log（norm.pdf（观察到的持续时间，loc=mu，scale=std\U dev））.sum（）\
+np.log（norm.sf（截尾持续时间，loc=mu，scale=std\u dev））.sum（）
scipy.optimize.minimize（截尾的，x0=np.array（[0,1]），args=（事件，持续时间））

我的建议是咬紧牙关，写出完整的n.l.l.，并最大化mu和sigma^2。在某种逐步方案中，您首先将wrt优化为mu，然后再优化sigma^2，然后再优化mu，诸如此类，这可能是有道理的。这是一个好问题，但可能更适合stats.stackexchange.com。谢谢。关于更多内容，我想使用负对数似然函数作为目标函数来拟合非参数模型，不仅仅是计算汇总统计数据。我很好奇你是如何用参数似然建立一个非参数模型的？在随机森林或梯度增强树中的非参数模型与线性模型的比较。