Principe statistique qui choisit des valeurs de paramètres (ou des hypothèses) maximisant la fonction de vraisemblance — la probabilité (ou densité) des données observées pour un modèle paramétré donné — c'est‑à‑dire θ̂ = argmax_θ L(θ; données). Il nécessite un modèle probabiliste explicite et considère la vraisemblance comme fonction objectif pour l'estimation ponctuelle.

Principe

Pour un modèle paramétrique spécifié, la valeur du paramètre qui rend les données observées les plus probables selon ce modèle est choisie ; sous conditions de régularité et pour de grands échantillons, les estimateurs du maximum de vraisemblance sont consistants et asymptotiquement efficaces, mais ces propriétés dépendent de la correction du modèle et des hypothèses techniques.

Démonstration

Scénario illustratif : observations x1,...,xn iid gaussiennes de moyenne inconnue μ et variance connue σ^2. La vraisemblance est maximisée par μ̂ = (1/n)∑xi, donc la moyenne empirique est l'estimateur du MV pour μ ; le calcul s'obtient en dérivant la log‑vraisemblance.

Mauvaise application

Interpréter le maximum de vraisemblance comme la probabilité qu'une valeur de paramètre soit vraie (confondre vraisemblance et probabilité a posteriori) ou considérer l'estimateur MV fiable quelles que soient la mauvaise spécification du modèle ou la petite taille d'échantillon sont des erreurs fréquentes ; l'erreur sémantique est de confondre plausibilité conditionnelle au modèle et probabilité absolue du paramètre.

Conséquence

Le MV fournit des estimations ponctuelles qui ont souvent de bonnes propriétés asymptotiques et sert de base à des tests et intervalles de confiance (via l'information de Fisher), mais les estimations peuvent être biaisées, de grande variance, multimodales ou indéfinies en cas de mauvaise spécification du modèle ou d'échantillons finis et nécessitent une optimisation numérique pour les modèles complexes.

Inversion

Lorsque les modèles sont mal spécifiés, les paramètres non identifiables, les données rares ou la vraisemblance plate/multimodale, le MV peut mal se comporter ; dans ces cas, des estimateurs régularisés, pénalisés ou bayésiens (incorporant des priors ou des contraintes) peuvent être préférables.

Limite

S'applique aux problèmes d'inférence avec une vraisemblance paramétrique bien définie et des paramètres identifiables ; il ne fournit pas seul d'énoncés d'intervalle sur l'incertitude des paramètres sans approximation asymptotique ou cadre bayésien, et il est inapplicable lorsqu'aucune vraisemblance ne peut être définie.

Tension sémantique

Inférence fondée sur la vraisemblance ↔ Inférence bayésienne : le MV n'utilise que la vraisemblance conditionnelle aux données et donne des estimateurs ponctuels, tandis que l'approche bayésienne combine vraisemblance et information a priori pour produire des distributions postérieures complètes — le choix dépend de la nécessité d'une information a priori et d'une représentation cohérente de l'incertitude.

Synthèse

Le maximum de vraisemblance choisit les paramètres qui rendent les données observées les plus plausibles selon un modèle — c'est une optimisation dirigée par les données dont la fiabilité dépend de la correction du modèle, de l'identifiabilité et de la taille d'échantillon ; c'est un outil fondamental mais dépendant du modèle et non une mesure absolue de vérité.