正對數似然和負AIC我注意到JMP始終報告正LL和負AIC，例如“ -2LL = -1406.88”或“ AICc = -1451.534”。這沒有道理，對嗎？LL根據定義必須為負數； AIC原則上可以是負數，但是LL低且參數數量少時，它通常是正數。
我在這裡缺少基本的東西嗎？
謝謝！
回复：積極的對數似然和負面的AIC謝謝！在該示例中，您給出的一切都是“好”。LL陰性，BIC和AIC陽性。因此，它並不能完全回答我的問題。我明白了
因此，我應該假設這樣的報告中是一種類型（減號不應在那裡，請參見標有>>>>的行）？
廣義線性模型擬合
通過最大似然估計的超分散參數
響應：O2Cons_ugO2 / mgWW
分佈：正常
鏈接：身份
估計方法：最大似然
觀測值（或總和）= 369
回歸圖
整體模型測試
>>>>模型-LogLikelihood LR ChiSquare DF Prob> ChiSq
>>>>差異60.566153 121.1323 1 <.0001
>>>>完整-1459.5116
>>>>減少了-1398.9455
擬合優度統計ChiSquare DF概率> ChiSq過度分散
培生0.0079 367 1.0000 0.0000
偏差0.0079 367 1.0000
集成電路
-2912.958
效果測試
來源DF LR ChiSquare Prob> ChiSq
assayT 1 121.13231 <.0001
參數估計
項估計標準誤差LR ChiSquare概率> ChiSq下CL上CL
攔截0.001544 0.0007616 4.0872942 0.0432 0.0000474 0.0030406
assayT 0.0003546 0.0000296 121.13231 <.0001 0.0002964 0.0004127
預測的學生化偏差殘差
回复：積極的對數似然和負面的AIC我認為這些結果沒有任何問題。如果您擔心負面的AICc，那麼這種情況一直都會發生。這裡真的沒有任何規模。較小的AICc總是建議使用更好的模型。因此，AICc = 1000的模型優於AICc = 1200的模型。AICc = -1250的模型優於AICc = -1200的模型。
回复：積極的對數似然和負面的AIC完整模型 -LogLikelihood = -1459.5116。即 LogLikelihood = 1459.5116。> 0。不可能是。要么不是LL，要么是LL，但是其中應該有一個減號。
還是我錯過了什麼大方法。
謝謝
回复：積極的對數似然和負面的AIC這是連續響應的AICc的計算：
第一項是-2L。因此，如果您的SSE較小（非常合適），那麼-2L可以為負。
回复：積極的對數似然和負面的AIC知道了 該LL不是來自ML過程。然後是我的最後一個問題：我是否仍可以在對數比測試中使用這些值，或者它們不適合這樣做？
謝謝你的幫助！回复：積極的對數似然和負面的AIC它來自MLE程序。估算使-2L最小。
是的，對於LRT卡方檢驗，您可以使用零值下的對數似然與替代假設之間的差值的兩倍。
回复：正面對數似然和負面AIC你好
您能解釋一下-2LL的報告位置嗎？我只看到最終的AICc值。我正在使用JMP 14。
更新：沒關係，我知道了（我需要做一個GLM），現在我不知道如何刪除這篇文章。
回复：正面對數似然和負面AIC這是在JMP 10中。我認為JMP 14可以檢查。
回复：正面對數似然和負面AIC請不要刪除此帖子。該討論對可能也找不到-2L的其他用戶很有用。
