應用Firth懲罰最大似然估計在GLM中解決資料分離問題在二項資料建模中，常常會遇到p的取值範圍為[0，1]，而一般的線性模型響應𝑦的值域為(−∞,+∞)；p與因子x之間非線性；p針對不同的因子x取值變異數不等的情況。當解釋變數較多，樣本量較小，且資料分佈不均衡時擬合容易出現分離問題，而應用Firth 懲罰最大似然估計是較好解決資料分離問題的一種方法。 Firth懲罰最大似然估計（PMLE=Penalized Maximum Likelihood Estimation）的基本想法是，在對數似然函數中加入懲罰項，從而將參數最大似然估計值的偏差減少。最大似然估計MLE基於漸進理論，依賴樣本空間內各資料點的佈局；當樣本量較大，資料分佈均衡時可獲得較理想的結果。本影片將透過實際案例詳細介紹如何應用Firth懲罰最大似然估計在GLM中解決資料分離問題。
進階統計建模基礎資料分析與建模消費者與市場研究數據探索和視覺化實驗設計預測建模和機器學習品質和工藝工程可靠度分析分享和交流成果
