最大似然估计(MLE: 样本观测总体参数)的工作原理是什么？

1. MLE的意义：样本估计总体分布参数

若某一事件的观测样本遵循特定的概率分布，那么应如何推断其整体数据所对应的分布模型？

首先需要考虑的是构建线性回归模型，但由于该变量并不符合正态分布且呈现不对称特性，因而无法满足线性回归所依赖的基本假设。

通常采用的处理方式是通过取对数、开平方根或求倒数等方式对变量进行转换，从而使转换后的变量趋于正态分布，并进一步开展线性回归分析。经过上述变换后，其效果如下

令人遗憾的是，上述所有数据均未呈现出符合正态分布的特征，因此需要寻找一种建模方式，以确保不会破坏线性模型（如高斯分布或近似高斯分布）所依赖的基本假设。

倘若采用不同于正态分布的其他概率分布来对这些数据进行描述，又该如何实现参数或系数的估计呢？这一问题正是最大似然估计(MLE)所具备的核心优势所在。

2. MLE意义：实例分析

当数据集呈现出高斯