一文搞懂似然函数：它为什么不是概率

似然函数（likelihood function）是统计学中”由果推因”的数学工具。它的核心作用是：在已知实验结果（数据）的情况下，衡量不同参数值对这一结果的支持程度。它既是最大似然估计（MLE）的引擎，也是贝叶斯推断的桥梁。

很多人第一眼看到 $L(\theta \mid x)$ 都会困惑：它长得和概率一模一样，凭什么说它不是概率？为了彻底搞懂它，我们分三步来看：先看它的数学定义，再抓住它与”概率”的本质区别，最后用一个抛硬币的例子把它彻底讲透。

数学定义：同一个式子，两种读法

先记住一句结论：似然函数和概率密度在数值上完全相等，但视角截然相反。假设我们有一组独立同分布的数据 $X$，其概率分布依赖于未知参数 $\theta$，概率密度记为 $P(X \mid \theta)$。似然函数 $L(\theta \mid X)$ 在数值上就等于 $P(X \mid \theta)$，但两者的”问法”完全不同：

概率函数：固定参数 $\theta$，数据 $X$ 是变量。它回答：”已知硬币是公平的，抛 10 次出现 7 次正面的概率是多少？”
似然函数：固定数据 $X$，参数 $\theta$ 是变量。它回答：”已经抛出了 7 次正面，请问硬币正面概率 $p = 0.5$ 有多’像’真相？$p = 0.7$ 又有多’像’？”

同一个数学式子，谁是”已知”、谁是”待求”，方向完全相反。R. A. Fisher 在 1922 年刻意创造 “likelihood” 一词并坚持与 “probability” 区分，强调的就是这种视角差别。

关键：似然函数不是概率分布！

这是理解似然函数最重要的一句话。概率分布要求所有可能结果的概率之和（或积分）等于 1；但似然函数对参数 $\theta$ 的积分（或求和）通常不等于 1。它度量的不是”参数 $\theta$ 有多真实”，而是”参数 $\theta$ 对当前这组数据有多合理”——专业上叫 relative plausibility（相对合理性）。

举个例子：如果 $L(\theta = 0.7)$ 是 $L(\theta = 0.5)$ 的 2 倍，只代表参数 0.7 比 0.5 更能解释眼前这组数据，绝不代表”$\theta = 0.7$ 的真实概率是 70%”。参数到底是真是假，那是”真值”问题，似然回答不了——它只回答”支持度”。

初学者 90% 的困惑，都源于把似然当成了概率。记住：似然是支持度函数，不是概率分布。

一个直观的例子：抛硬币

你抛了一枚未知硬币 10 次，结果得到 7 次正面。现在来比较两种对硬币的猜测：

假设硬币公平（$\theta = 0.5$）：出现这个结果的概率是 $\binom{10}{7} \times 0.5^{10} \approx 0.117$。
假设硬币偏正面（$\theta = 0.7$）：出现这个结果的概率是 $\binom{10}{7} \times 0.7^{7} \times 0.3^{3} \approx 0.267$。

此时，似然函数 $L(\theta)$ 就是”所有可能的 $\theta$ 值对应的这些数值”构成的集合。因为 0.267 > 0.117，我们说 $\theta = 0.7$ 的似然比 $\theta = 0.5$ 更大——数据更”支持” 0.7 这个猜测。

统计上最常用的最大似然估计（MLE），就是找出那个让似然函数值最大的 $\theta$。在这个例子里显然是 0.7——它就是基于这组数据，我们对真实参数的最佳猜测。

从图中可直接读出：曲线在 p=0.7 处达到峰值（L≈0.267），即这组数据”最支持”的参数——MLE 就是这座信任山峰的顶点；对比 p=0.5 处 L≈0.117，0.7 的解释力是 0.5 的两倍多

为什么似然函数如此重要？

一句话：它是现代统计推断的基石。

频率学派用它做参数估计。最大似然估计（MLE）之所以成为默认选项，是因为它有两个直观上很棒的优点：数据越多，估计越接近真实参数（一致性）；并且它充分利用了数据中的全部信息，估计的波动是最小的（有效性）。大白话就是——样本够大时，MLE 是最”聪明”的猜测方式。

贝叶斯学派则把它当作桥梁：后验概率 ∝ 似然函数 × 先验概率。

没有似然函数，数据就无法更新我们对世界的认知。两个学派的根本分歧，其实浓缩在”要不要乘一个先验”这一点上——但它们脚下的地基，都是似然。

参考文献 / 扩展阅读

Fisher, R. A. (1922). On the mathematical foundations of theoretical statistics.Philosophical Transactions of the Royal Society A, 222, 309–（”likelihood”一词的起源，坚持与 probability 区分）
Casella, G., & Berger, R. L. (2002).Statistical Inference (2nd ed.). Duxbury.（第 6 章：似然原理与 MLE 的系统论述）