Chapter 6 is mainly theoretical and

Chapter 6 is mainly theoretical and discusses maximum likelihood (ML) estimation. Because in empirical work maximum likelihood is often criticized for its dependence upon distributional assumptions, it is not discussed in the earlier chapters where alternatives are readily available that are either more robust than maximum likelihood or (asymptotically) equivalent to it. Particular emphasis in Chapter 6 is on misspecification tests based upon the Lagrange multiplier principle. While many empirical studies tend to take the distributional assumptions for granted, their validity is crucial for contency of the estimators that are employed and should therefore be tested. Often these tests are relatively easy to perform, although most software does not routinely provide them (yet). Chapter 6 is crucial for understanding Chapter 7 on limited dependent variable models and for a small number of sections in Chapters 8 to 10

ผลลัพธ์ (ไทย) 1:

บทที่ 6 เป็นทฤษฎีเป็นหลัก และกล่าวถึงการประเมินความเป็นไปได้สูงสุด (ML) เนื่องจากมักจะวิพากษ์วิจารณ์สูงสุดโอกาสในการทำงานเชิงประจักษ์ สำหรับการพึ่งพามากสมมติฐาน จะไม่กล่าวถึงในบทก่อนหน้านี้ที่มีความพร้อมทางเลือกที่มีโอกาสสูงสุดแรงกว่า หรือ (asymptotically) เทียบเท่ากับมัน เน้นเฉพาะในบทที่ 6 อยู่ใน misspecification การทดสอบตามหลักการคูณ Lagrange ในขณะที่การศึกษาเชิงประจักษ์จำนวนมากมักทึกทักสมมติฐานมาก อายุของพวกเขาเป็นสิ่งสำคัญสำหรับ contency ของ estimators ที่ถูกว่าจ้างดังนั้นควรทดสอบ บ่อยครั้งการทดสอบเหล่านี้จะค่อนข้างง่ายเพื่อดำเนินการ แม้ว่าซอฟต์แวร์ส่วนใหญ่ไม่ได้เป็นประจำให้พวกเขา (ยัง) บทที่ 6 เป็นสิ่งสำคัญ สำหรับการทำความเข้าใจบทที่ 7 ตัวแปรจำกัดรุ่น และจำนวนเล็ก ๆ ของส่วนในบทที่ 8-10

ผลลัพธ์ (ไทย) 2:

บทที่ 6 เป็นหลักทฤษฎีและกล่าวถึงความน่าจะเป็นสูงสุด (ML) การประมาณค่า เพราะในการทำงานเชิงประจักษ์โอกาสสูงสุดมักจะถูกวิพากษ์วิจารณ์ว่าเป็นเพราะการพึ่งพาอยู่กับสมมติฐานกระจายก็ไม่ได้กล่าวถึงในบทก่อนหน้านี้ที่ทางเลือกที่มีความพร้อมที่มีทั้งประสิทธิภาพมากขึ้นกว่าความน่าจะเป็นสูงสุดหรือ (asymptotically) เทียบเท่ากับมัน โดยเน้นเฉพาะในบทที่ 6 การทดสอบ misspecification ตามหลักการคูณ Lagrange ขณะที่การศึกษาเชิงประจักษ์จำนวนมากมีแนวโน้มที่จะใช้สมมติฐานกระจายให้ได้รับความถูกต้องของพวกเขาเป็นสิ่งสำคัญสำหรับ contency ของประมาณที่มีการจ้างงานและดังนั้นจึงควรได้รับการทดสอบ บ่อยครั้งที่การทดสอบเหล่านี้มีความสะดวกในการดำเนินการแม้ว่าซอฟต์แวร์ส่วนใหญ่ไม่ได้ให้พวกเขาเป็นประจำ (ยัง) บทที่ 6 เป็นสิ่งสำคัญสำหรับการทำความเข้าใจบทที่ 7 ในการ จำกัด รูปแบบขึ้นอยู่กับตัวแปรและขนาดเล็กจำนวนมากส่วนในบทที่ 8 ถึง 10

ผลลัพธ์ (ไทย) 3:

บทที่ 6 เป็นหลัก และทฤษฎีกล่าวถึงความน่าจะเป็นสูงสุด ( มิลลิลิตร ) ประมาณ เพราะในงานเชิงความน่าจะเป็นสูงสุดมักจะประเมินผลสำหรับการพึ่งพาสมมติฐานสุ่มจะไม่กล่าวถึงในบทก่อนหน้านี้ที่เลือกจะพร้อมใช้งานที่มากขึ้นมีประสิทธิภาพกว่าความน่าจะเป็นสูงสุด ( asymptotically ) หรือเทียบเท่ากับมัน โดยเฉพาะการเน้นในบทที่ 6 การทดสอบ misspecification ขึ้นอยู่กับตัวคูณลากรองจ์หลัก การศึกษาเชิงประจักษ์มากมักจะใช้สมมติฐานที่สุ่มเพื่อให้ความถูกต้องของพวกเขาเป็นสิ่งสำคัญสำหรับ contency ของตัวประมาณว่า มีการจ้างงาน และดังนั้นจึงควรทดสอบ บ่อยครั้งที่การทดสอบเหล่านี้จะค่อนข้างง่ายที่จะทำ ถึงแม้ว่าซอฟต์แวร์ส่วนใหญ่ไม่ตรวจให้พวกเขา ( ยัง ) บทที่ 6 เป็นสิ่งสำคัญสำหรับความเข้าใจบทที่ 7 จำกัดตัวแปรตามรุ่นและหมายเลขขนาดเล็ก ส่วนในบทที่ 8 ถึง 10