R中均匀分布的极大似然估计导致了荒谬的结果

我想使用

mle

函数来获得a

Unif（a，b）

分布中

a

和

b

的估计值。但我得到的荒谬的估计值不接近1和3

library(stats4)
set.seed(20161208)

N <- 100
c <- runif(N, 1, 3)
LL <- function(min, max) {
  R <- runif(100, min, max)
  suppressWarnings((-sum(log(R))))
  }
mle(minuslogl = LL, start = list(min = 1, max = 3), method = "BFGS",
    lower = c(-Inf, 0), upper = c(Inf, Inf))

---

你知道发生了什么事吗？提前谢谢你

我首先要指出你的代码哪里错了。

您需要

dunif

而不是

runif

。您可以定义：

LL <- function (a, b) -sum(dunif(x, a, b, log.p = TRUE))

偏导数w.r.t.

a

/

b

始终为负/正，且不能为0

---

当我们施加框约束时，数值方法变得可行：

-Inf我首先要指出您的代码哪里是错误的。

您需要
dunif
而不是
runif
。您可以定义：

LL <- function (a, b) -sum(dunif(x, a, b, log.p = TRUE))

偏导数w.r.t.
a
/
b
始终为负/正，且不能为0

当我们施加框约束时，数值方法变得可行：
-Infmle
不是一个基本的R函数。
LL
应该是你的对数似然函数吗？因为
runif
绝对不应该出现在你的对数似然函数中。@lmo:library（stat4）@Dason：好吧，这就是我理解R中mle函数的方式。我做错了吗？另一件事是，该代码适用于其他发行版，如Poisson和gamma。@Lola-是的，你做得不对。你能包括你正在使用的库的名称吗
mle
不是一个基本的R函数。
LL
应该是你的对数似然函数吗？因为
runif
绝对不应该出现在你的对数似然函数中。@lmo:library（stat4）@Dason：好吧，这就是我理解R中mle函数的方式。我做错了吗？另一件事是，该代码适用于其他发行版，如Poisson和gamma。@Lola-是的，你做得太错了。
( n / (a - b), n / (b - a) )

-(b - a) ^ 2    (b - a) ^ 2
 (b - a) ^ 2   -(b - a) ^ 2

## 100 samples
set.seed(20161208); x <- runif(100, 1, 3)
# range(x)
# [1] 1.026776 2.984544

## using `optim`
nll <- function (par) log(par[2] - par[1])  ## objective function
gr_nll <- function (par) c(-1, 1) / diff(par)  ## gradient function
optim(par = c(0,4), fn = nll, gr = gr_nll, method = "L-BFGS-B",
      lower = c(-Inf, max(x)), upper = c(min(x), Inf), hessian = TRUE)
#$par
#[1] 1.026776 2.984544  ## <- reaches boundary!
#
# ...
#
#$hessian  ## <- indeed singular!!
#           [,1]       [,2]
#[1,] -0.2609022  0.2609022
#[2,]  0.2609022 -0.2609022

## using `stats4::mle`
library(stats4)
nll. <- function (a, b) log(b - a)
mle(minuslogl = nll., start = list(a = 0, b = 4), method = "L-BFGS-B",
    lower = c(-Inf, max(x)), upper = c(min(x), Inf))
#Error in solve.default(oout$hessian) : 
#  Lapack routine dgesv: system is exactly singular: U[2,2] = 0