En estadística, una estimación de verosimilitud cuasi-máxima (QMLE) , también conocida como estimación de pseudoverosimilitud o estimación de verosimilitud compuesta , es una estimación de un parámetro θ en un modelo estadístico que se forma maximizando una función relacionada con el logaritmo de la función de verosimilitud , pero al discutir la consistencia y la matriz de varianza-covarianza (asintótica), asumimos que algunas partes de la distribución pueden estar mal especificadas. [1] [2] Por el contrario, la estimación de máxima verosimilitud maximiza la función de logaritmo de verosimilitud real para los datos y el modelo. La función que se maximiza para formar una QMLE es a menudo una forma simplificada de la función de logaritmo de verosimilitud real. Una forma común de formar una función tan simplificada es utilizar la función de logaritmo de verosimilitud de un modelo mal especificado que trata ciertos valores de datos como independientes, incluso cuando en realidad pueden no serlo. Esto elimina cualquier parámetro del modelo que se utilice para caracterizar estas dependencias. Hacer esto solo tiene sentido si la estructura de dependencia es un parámetro molesto con respecto a los objetivos del análisis. [3] Siempre que la función de cuasialexibilidad que se maximiza no se simplifique demasiado, la QMLE (o estimación de verosimilitud compuesta) es consistente y asintóticamente normal . Es menos eficiente que la estimación de máxima verosimilitud, pero puede ser solo ligeramente menos eficiente si la cuasialexibilidad se construye de manera que minimice la pérdida de información en relación con la verosimilitud real. [4] Los enfoques estándar para la inferencia estadística que se utilizan con estimaciones de máxima verosimilitud, como la formación de intervalos de confianza y estadísticas para la comparación de modelos, [5] se pueden generalizar al entorno de cuasialexibilidad máxima.