如何使用 R 中使用 optim 最大化对数似然函数估计的参数的分析来估计 95% 的置信区间？
我知道我可以通过反转 hessian 来渐近估计协方差矩阵，但我担心我的数据不符合此方法有效所需的假设。我更喜欢使用其他方法来估计置信区间。
如Stryhn 和 Christensen以及 Venables 和 Ripley 的 MASS book, §8.4, pp. 220-221 中所讨论的，轮廓似然法是否合适？
如果是这样，是否有任何软件包可以帮助我在 R 中做到这一点？如果不是，这种方法的伪代码会是什么样子？
stats4 包中的mle函数是 的包装器optim，这使得生成轮廓似然计算变得非常容易。有关help("profile,mle-method", package = "stats4")更多信息，请参阅。
如果您使用 nlme，则有ProfileLikelihood 包。就个人而言，我还没有设法使用它。
使用 lme4a 或 lmeEigen 包有一个 profile() 函数，它正是旨在做你想做的事。尝试类似的方法来安装这些软件包：
install.packages("lme4a",repos="http://lme4.r-forge.r-project.org/repos")
或访问网站获取 zip 存档。同样不幸的是，我没有设法使用它 :) 也许我们应该等待 lme4 的更新。
编辑：酷！lmer 模型的 profile() 函数现在可以在最新版本的 lme4 中使用，通过键入以下命令进行安装：
install.packages("lme4",repos="http://r-forge.r-project.org")