小编Ale*_*ica的帖子

背景：我正在研究一个类似于链接 [1] 中描述的非线性逻辑回归的问题（我的问题更复杂，但链接 [1] 足以用于本文的下一部分）。将我的结果与与 R 包并行获得的结果进行比较，我得到了相似的系数结果，但（非常近似）相反的对数似然。

假设： matlab中fitnlm给出的logLikelihood实际上是负LogLikelihood。（请注意，这会损害 Matlab 的 BIC 和 AIC 计算）

推理：在[1]中，通过两种不同的方法解决了同一个问题。ML-approach/ 通过定义负 LogLikelihood 并使用 fminsearch 进行优化。GLS-方法/通过使用 fitnlm。

ML 方法后的负对数似然为：380

GLS 方法后的负对数似然为：-406

我想第二个应该至少乘以（-1）？

问题：我错过了什么吗？(-1) 系数是否足够，或者这个简单的修正还不够？

自包含代码：

%copy-pasting code from [1]
        myf = @(beta,x) beta(1)*x./(beta(2) + x);
        mymodelfun = @(beta,x) 1./(1 + exp(-myf(beta,x)));
        rng(300,'twister');
        x    = linspace(-1,1,200)';
        beta = [10;2];
        beta0=[3;3];
        mu = mymodelfun(beta,x);
        n = 50;
        z = binornd(n,mu);
        y = z./n;
%ML Approach
        mynegloglik = @(beta) -sum(log(binopdf(z,n,mymodelfun(beta,x))));
        opts = optimset('fminsearch');
        opts.MaxFunEvals = …