En el modelado de datos binomiales, a menudo se encuentra que el rango de valores de p es [0, 1], mientras que el rango de valores de la respuesta del modelo lineal general 𝑦 es (−∞, +∞); p y el factor x. Lineal; p es para el caso en el que las varianzas de los valores de diferentes factores x son desiguales. Cuando hay muchas variables explicativas, el tamaño de la muestra es pequeño y la distribución de los datos es desigual, el ajuste es propenso a problemas de separación. La aplicación de la estimación de máxima verosimilitud con penalización de Firth es una mejor manera de resolver el problema de separación de datos. La idea básica de la quinta estimación de máxima verosimilitud penalizada (PMLE = estimación de máxima verosimilitud penalizada) es agregar un término de penalización a la función logarítmica de verosimilitud para reducir la desviación de la estimación de máxima verosimilitud del parámetro. La estimación de máxima verosimilitud MLE se basa en la teoría asintótica y se basa en la disposición de cada punto de datos en el espacio muestral cuando el tamaño de la muestra es grande y la distribución de los datos es equilibrada, se pueden obtener resultados más ideales. Este video presentará en detalle cómo aplicar la estimación de máxima verosimilitud con penalización de Firth para resolver el problema de separación de datos en GLM a través de casos prácticos.
