如果您要最大化似然性，则估计的协方差矩阵（渐近地）是 Hessian 的负数的逆矩阵。标准误差是协方差的对角元素的平方根（来自网络上的其他地方！，来自 Thomas Lumley 教授和 Spencer Graves，Eng.）。

对于 95% 的置信区间

fit<-optim(pars,li_func,control=list("fnscale"=-1),hessian=TRUE,...)
fisher_info<-solve(-fit$hessian)
prop_sigma<-sqrt(diag(fisher_info))
prop_sigma<-diag(prop_sigma)
upper<-fit$par+1.96*prop_sigma
lower<-fit$par-1.96*prop_sigma
interval<-data.frame(value=fit$par, upper=upper, lower=lower)

注意：

• 如果您正在最大化日志（可能性），那么粗麻布的 NEGATIVE 是“观察到的信息”（例如这里）。
• 如果您最小化“偏差”= (-2)*log(likelihood)，那么粗麻布的一半就是观察到的信息。
• 万一您要最大化似然性本身，则需要将粗麻布的负数除以获得观察到的信息的似然性。

由于使用了优化例程，请参阅此内容以了解更多限制。