在开展基于概率推理的课程时，关键主题之一是基于似然函数的检验和置信区间构建。通常包括Wald，似然比和分数检验。在这篇文章中，我将对比Wald和似然比检验的优缺点。我将重点关注置信区间而不是检验 。
示例
我们用X表示观察到的成功次数的随机变量。似然函数只是二项式概率函数，参数是模型参数。 所以MLE是观察到的比例。
如果我们使用将参数空间（在我们的示例中为区间（0,1））映射到整个变换，那么我们保证在原始比例上获得仅包括允许参数值的置信区间。
对于概率参数绘制的n = 10，x = 1的二项式示例的对数似然函数：
从图片上我们可以看出，对数似然函数在绘制时 实际上不是二次方。下图显示了相同的对数似然函数，但现在x轴是对数概率：
二项式的对数似然函数n = 10 x = 1检验，相对于对数几率。
似然比置信区间
虽然似然比方法具有明显的统计优势，但计算上Wald区间/检验更容易。在实践中，如果样本量不是太小，并且Wald区间是以适当的比例构建的，它们通常是合理的。然而，在小样本中，似然比方法可能是更优的。
最受欢迎的见解
1.Matlab马尔可夫链蒙特卡罗法（MCMC）估计随机波动率（SV，Stochastic Volatility） 模型
3.WinBUGS对多元随机波动率模型：贝叶斯估计与模型比较
4.R语言回归中的hosmer-lemeshow拟合优度检验
