Maximum-Likelihood
輪廓可能性的缺點是什麼？
考慮一個參數向量， 和感興趣的參數，和一個討厭的參數。
如果是從數據構造的可能性，輪廓似然為定義為在哪裡是 MLE對於固定值.
最大化關於的輪廓似然性導致相同的估計作為通過同時最大化似然性獲得的和.
我認為標準差也可以從輪廓似然度的二階導數估計。
似然統計可以寫成輪廓似然度：.
因此，似乎可以像使用真實似然一樣準確地使用輪廓似然性。真的是這樣嗎？這種方法的主要缺點是什麼？那麼從輪廓似然性中獲得的估計器有偏差的“謠言”呢（編輯：甚至是漸近的）？
的估計從配置文件可能性只是MLE。最大化關於對於每一個可能然後最大化關於與最大化關於共同。
關鍵的弱點是，如果你基於你對 SE 的估計關於輪廓可能性的曲率，您沒有完全考慮到不確定性.
McCullagh 和 Nelder，廣義線性模型，第 2 版，有一個關於輪廓似然性的簡短部分（第 7.2.4 節，第 254-255 頁）。他們說：
[A] 近似置信集可以以通常的方式獲得….這樣的置信區間通常是令人滿意的，如果 [the dimension of] 相對於 Fisher 的總信息而言很小，但否則容易產生誤導……不幸的是，[輪廓對數似然] 不是通常意義上的對數似然函數。最明顯的是，它的導數不具有零均值，這是估計方程所必需的屬性。