似然原理（LP）的概念是整个推理应该基于似然函数，并且仅仅基于似然函数。非正式地，似然函数足以进行推理，这意味着一旦构造了似然函数，就可以忽略采样模型和样本本身。

维基百科页面中使用的示例是传统的：如果民意调查的结果是，在 12 人中，有 3 人支持候选人 T（和 8 人支持候选人 B），则有两种可能的抽样模型（在无限的兼容模型中！）同意有了这个观察：

1. 的固定样本进行人作为支持候选人 T。这意味着抽样分布是二项式和是从该模型观察到的实现；$n=12$$X=3$$\mathcal {Bin}(12,\theta)$$X=3$

2. 该民意调查的目标是的候选人 T 的支持者，并且人们已经接受了采访，直到支持 T。这意味着抽样分布是负二项式和是从该模型观察到的实现。$m=3$$m=3$$\mathcal {Neg}(3,\theta)$$X=12$

各自的可能性是 并且，作为的函数，它们是成比例的。然后，似然原则指出，尽管两个模型之间的样本分布不同，但在这两种情况下推断应该是相同的。

$$\ell_1(\theta) = {12 \choose 9} \theta^3(1-\theta)^9\qquad \ell_2(\theta) = {11 \choose 9} \theta^3(1-\theta)^9$$ $\theta$

除了同意大多数贝叶斯推理，但不是全部，例如 Jeffreys 的先验，它还对统计推理的其他分支产生严重影响。它通常是作为充足原则和条件原则的结果推导出来的（Allan Birnbaum，JASA，1962）。这本书

似然原理：James O. Berger 和 Robert L. Wolpert 的评论、概括和统计意义

可在 Project Euclid 上免费获得，并提供对该原理的深入研究。

您还可以查看科学哲学家 Deborah Mayo 的讨论文件

关于强似然原理的伯恩鲍姆论证

也可以在 Project Euclid 上免费获得，它不同意它的推导（及其相关性）。她认为，似然原则的强形式不能从另外两个原则推导出来。

另请参阅对较早 X 验证的似然原则问题的答案。