
التعامل مع المعاملات المزعجة عن طريق تعظيم الاحتمالية عليها عند كل قيمة من قيم المعامل محل الاهتمام.في الاستدلال الإحصائي، غالبًا ما تهتم بمعامل واحد (مثل كتلة جسيم) ولكن يجب أيضًا أن تأخذ في الاعتبار معاملات أخرى "مزعجة" (مثل معايرة الكاشف) لا تهتم بها ولكنها تؤثر على بياناتك. الاحتمالية المظهرية (Profile Likelihood) هي طريقة للتركيز على المعامل محل الاهتمام: لكل قيمة محتملة لذلك المعامل، تجد أفضل قيم ملائمة لجميع المعاملات المزعجة عن طريق تعظيم الاحتمالية، ثم تسجل فقط قيمة الاحتمالية القصوى. ينتج عن هذا "مظهر" للاحتمالية كدالة في المعامل محل الاهتمام، والذي يمكنك استخدامه لبناء فترات ثقة أو اختبار فرضيات.
قدّم هذا المفهوم إحصائيون في منتصف القرن العشرين، ولا سيما جيرزي نيمان، وتمت صياغته لاحقًا من قبل آخرين؛ أصبح مصطلح 'الاحتمالية المظهرية' معيارًا في سبعينيات القرن العشرين.
تخيل دالة احتمالية تعتمد على كل من المعامل محل الاهتمام θ والمعاملات المزعجة ν. بالنسبة لقيمة ثابتة من θ، تقوم بتعظيم الاحتمالية على ν، لتحصل على L_profile(θ) = max_ν L(θ, ν). بتكرار ذلك لقيم عديدة من θ، تحصل على منحنى أحادي البعد. نسبة هذا المظهر إلى قيمته القصوى تتبع توزيع مربع كاي تقريبيًا (مبرهنة ويلكس) تحت شروط انتظام معينة، مما يسمح باشتقاق فترات الثقة. هذا فعال حسابيًا لأنك لا تحتاج إلى التكامل على المعاملات المزعجة، فقط التحسين.
يُستخدم على نطاق واسع في فيزياء الجسيمات (مثل قياسات كتلة بوزون هيغز وقوة الإشارة) وفي علم الكونيات لتقدير المعاملات من بيانات إشعاع الخلفية الكونية الميكروي.
يمكن أن تعطي الاحتمالية المظهرية فترات ثقة ضيقة بشكل مضلل عندما تكون المعاملات المزعجة مقيدة بشكل ضعيف، وهي ظاهرة تُعرف باسم 'مشكلة الاحتمالية المظهرية'.








