通常，基于标准误差的置信区间很大程度上取决于估计量的正态性假设。“轮廓似然置信区间”提供了另一种选择。

我很确定你可以找到这方面的文档。例如，这里和其中的参考资料。

这是一个简短的概述。

假设数据取决于两个（向量）参数，$\theta$和$\delta$， 在哪里$\theta$感兴趣并且$\delta$是一个讨厌的参数。

轮廓可能性$\theta$定义为

$L_p(\theta) = \max_{\delta} L(\theta, \delta)$

其中是“完全可能性”。不再依赖于，因为它已被分析出来。$L(\theta, \delta)$$L_p(\theta)$$\delta$

假设原假设为且似然比统计量为$H_0 : \theta = \theta_0$

$LR = 2 (\log L_p(\hat{\theta}) - \log L_p(\theta_0))$

其中是使轮廓似然的值。$\hat{\theta}$$\theta$$L_p(\theta)$

的“轮廓似然置信区间”由那些检验不显着$\theta$$\theta_0$