mixconjugateblm

贝叶斯线性回归模型共轭先验用于随机搜索变量选择（SS VS移至）

全部展开到页面中

描述

的贝叶斯线性回归模型对象mixconjugateblm指定回归系数和扰动方差的联合先验分布(β,σ²)实现的SSVs(见[1]和[2])假设β和σ²是相依随机变量。

通常，在创建贝叶斯线性回归模型对象，它仅指定线性回归模型的联合先验分布和特征。也就是说，模型对象是用于进一步使用的模板。具体而言，纳入数据到模型对于后验分布的分析和特征选择，通过模型对象和数据到适当的目标函数。

创建

语法

PriorMdl = mixconjugateblm（NumPredictors）

PriorMdl = mixconjugateblm (NumPredictors、名称、值)

描述

例子

PriorMdl= mixconjugateblm (NumPredictors)创建一个贝叶斯线性回归模型对象(PriorMdl)组成的NumPredictors谓词和拦截，并设置NumPredictors财产。的联合先验分布(β,σ²）是适合实现为SS VS移至预测值选择[2]。PriorMdl是定义先验分布和的维数的模板β。

例子

PriorMdl= mixconjugateblm (NumPredictors,名称,值)集属性(除了NumPredictors）用名称 - 值对的参数。在引号中每个属性的名称。例如，mixconjugateblm(3、“概率”、abs(兰德(4,1)))指定模型中所有四个系数的随机先验状态概率。

属性

全部展开

当您使用名称-值对参数语法创建模型对象时，或者在您使用点符号创建模型对象之后，您可以设置可写的属性值。例如，要从模型中排除截距，输入

PriorMdl.Intercept = FALSE;

`NumPredictors`- - - - - -预测变量的数
非负整数

贝叶斯多元线性回归模型中预测变量的个数，指定为非负整数。

NumPredictors必须同列在您的预测数据，您模型估计或仿真过程中指定的电话号码。

当指定NumPredictors，为该值排除任何截取项。

创建模型后，如果您更改的值NumPredictors使用点符号，然后这些参数恢复到默认值:

变量名(VarNames)
之前说的β(亩)
之前的差异β对于每个政体(V)
之前相关矩阵β(相关)
先验状态概率(概率)

数据类型:双

`截距`- - - - - -标志包括回归模型截距
`真正`(默认)|`假`

包含回归模型截距的标志，在此表中指定为值。

值	描述
`假`	从回归模型中排除截距。因此,β是一个`p`维向量,`p`的值`NumPredictors`。
`真正`	在回归模型中包含一个截距。因此,β是（`p`+ 1)维向量。此规范导致T在估计和仿真过程中，需要在预测数据中加入1的-by-1向量。

如果在预测器数据中包含一列的个位，则设置截距来假。

例子:“拦截”，假

数据类型:逻辑

`VarNames`- - - - - -预测变量的名字
字符串向量|字符向量的单元向量

用于显示器的预测器变量名，指定为字符串向量或特征向量的细胞载体。VarNames必须包含NumPredictors元素。VarNames（j)在列中的变量的名称j的预测数据集，你估计，仿真或预测过程中指定。

默认值是β{β(1),(2),…,β(p）},在那里p的值NumPredictors。

例子:“VarNames”,(“失业率会”;“CPI”)

数据类型:字符串|细胞|字符

`亩`- - - - - -高斯混合先验的成分平均超参数β
`零（截距+ NumPredictors，2）`(默认)|数字矩阵

成分上高斯混合先验的均值超参数β,指定为一个(拦截+ NumPredictors)2数字矩阵。第一列包含组件1的先验均值(变量包含机制，即，γ= 1）。第二列包含组分2（可变排阻制度，即在现有的装置，γ= 0）。

如果截距是假,然后亩有NumPredictors行。mixconjugateblm的先验均值NumPredictors在估计、模拟或预测期间指定的预测器数据集中与列对应的系数。
否则,亩有NumPredictors + 1元素。第一个元素对应于截距的先验平均值，所有其他元素对应于预测变量。

提示

若要执行ssv，请使用的默认值为亩。

例子:在3系数模型中，“亩”,[0.5 0;0.5 0;0.5 0]将所有系数的分量1先验均值设为0.5并将所有系数的分量2先验均值设为0。

数据类型:双

`V`- - - - - -高斯混合先验的分量方差因子超参数β
`repmat([10 0.1]，Intercept + NumPredictors,1)`(默认)|正的数值矩阵

各分量方差因子超参数的高斯混合先验上β,一个(拦截+ NumPredictors）-by-2阳性的数值矩阵。第一列包含组分1（可变列入制度，即现有方差因子，γ= 1).第二列是第2部分的先验方差因子(变量排除制度，即，γ= 0）。无论政权或系数，系数的先验方差是方差因子乘以σ²。

如果截距是假,然后V有NumPredictors行。mixconjugateblm的先验方差因子NumPredictors在估计、模拟或预测期间指定的预测器数据集中与列对应的系数。
否则,V有NumPredictors + 1元素。第一元件相当于截距的现有方差因子，和所有其他元件对应于预测变量。

提示

要执行ssv，为方案1指定一个比方案2更大的方差因子(对于所有方案)j，指定V (j,1)>V (j,2))。
关于什么样的价值，以指定更多的细节V,请参阅[1]。

例子:在3系数模型中，“V”, [100 1;100年1;100 (1)将所有系数的分量1先验方差因子设为One hundred.设各系数的分量2先验方差因子为1。

数据类型:双

`概率`- - - - - -变量纳入和排除制度先验概率分布
`0.5 * 1(拦截+ NumPredictors, 1)`(默认)|数值向量[0,1]|函数处理

为变量纳入和排除制度先验概率分布，指定为一个(截距+NumPredictors)-by-1数字向量的值在[0,1]，或函数句柄的形式@fcnName,在那里fcnName是函数名。概率表示的先验概率分布γ= {γ₁、……γ_K}，其中：

K=截距+NumPredictors，即回归模型中的系数个数。
γ_k∈{0,1}k=1、……K。因此，样本空间的基数为2^K。
γ_k= 1表示变量VarNames(k)包括在模型中，并且γ_k= 0表示该变量被从模型中排除。

如果概率是一个数值向量：

行对应的变量名VarNames。对于包含截距的模型，截距包含的先验概率为概率（1）。
为k= 1，...，K中，先验概率为不含可变k是1 -可能性（k)。
变量包含机制的先验概率，在所有变量和截距之间是独立的。

如果概率为函数句柄，则表示变量包含状态概率的自定义先验分布。对应的函数必须有这样的声明语句(参数和函数名可以不同):

logprob = regimeprior (varinc)

logprob是代表现有分布的对数的数值标量。你可以写先验分布到一个比例常数。
varinc是一个K×1逻辑矢量。元素对应的变量名VarNames并指出相应变量存在的状态。varinc（k)=真正指示为VarName（k)包括在模型中，并且varinc（k)=假指示它被排除在模型之外。

您可以包括更多的输入参数，但当你叫他们必须知道mixconjugateblm。

关于什么样的价值，以指定的细节概率,请参阅[1]。

例子:在3系数模型中，“概率”,兰德(3,1)随机分配之前可变包含概率给每个系数。

数据类型:双|function_handle

`相关`- - - - - -之前相关矩阵β
`眼睛(拦截+ NumPredictors)`(默认)|数值，正定矩阵

之前相关矩阵β对于混合模型中的两个组件，指定为一个(截距+NumPredictors）-通过-（截距+NumPredictors)数值，正定矩阵。从而得到各分量的先验协方差矩阵j混合模型为sigma2 *诊断接头(sqrt (V (:,j)))*相关性*诊断接头(sqrt (V (:,j))),在那里sigma2是σ²和V为系数方差因子的矩阵。

行和列对应于in中的变量名VarNames。

默认情况下，回归系数是不相关的，取决于该机制。

请注意

您可以提供任何适当大小的数字矩阵。但是，如果你的规格是不是正定的，mixconjugateblm发出警告，并替换您的规格CorrelationPD,地点:

CorrelationPD = 0.5*(Correlation + Correlation.');

关于什么样的价值，以指定的细节相关,请参阅[1]。

数据类型:双

`一个`- - - - - -逆先验的形状超参数σ²
`3.`(默认)|数字标

逆先验的形状超参数σ²，指定为数值标量。

一个至少-(拦截+ NumPredictors) / 2。

与B保持固定，反伽马分布变得更高和更浓缩为一个增加。这个特征称为先验模型σ²比后验估计的可能性更大。

有关反伽马分布的函数形式，请参阅分析听话的后验。

例子:“一个”,0.1

数据类型:双

`B`- - - - - -逆先验的尺度超参数σ²
`1`(默认)|积极的标量|`天道酬勤`

反演先验的尺度参数σ²，指定为正标量或天道酬勤。

与一个保持固定，反伽马分布变得更高和更浓缩为B增加。这个特征称为先验模型σ²比后验估计的可能性更大。

例子:“B”, 5

数据类型:双

对象的功能

`估计`	进行预测变量选择的贝叶斯线性回归模型
`模拟`	模拟贝叶斯线性回归模型的回归系数和扰动方差
`预测`	贝叶斯线性回归模型的预测响应
`情节`	可视化线性回归模型参数贝叶斯的先验和后验密度
`总结`	贝叶斯分布汇总统计数据线性回归模型预测变量的选择

例子

全部折叠

为ssv创建先验模型

开立真实脚本

考虑预测美国实际国民生产总值(gdp)的线性回归模型(GNPR)采用工业生产指数的线性组合(新闻学会)、总就业人数(E)和实际工资(或者说是)。

${GNPR}_{t} = β_{0} + β_{1} {新闻学会}_{t} + β_{2} E_{t} + β_{3.} {或者说是}_{t} + ε_{t} 。$

对所有 $t$ , $ε_{t}$ 一系列独立的高斯扰动的均值和方差是否为0 $σ^{2}$ 。

假设这些先验分布 $k$ = 0,…,3:

$β_{k} | σ^{2}, γ_{k} = γ_{k} σ \sqrt{V_{k 1}} Z_{1} + (1 - γ_{k}) σ \sqrt{V_{k 2}} Z_{2}$ ,在那里 $Z_{1}$ 和 $Z_{2}$ 是独立的标准正态随机变量。因此，系数呈高斯混合分布。假设所有系数都是先验的条件独立的，但它们依赖于扰动方差。
$σ^{2} \sim 我 G (一个, B)$ 。 $一个$ 和 $B$ 为反伽马分布的形状和比例尺。
$γ_{k} \in {0, 1}$ 它表示具有离散均匀分布的随机变量-包含状态变量。

创建的SSVs采用现有的模型。指定预测器的数量p。

p = 3;PriorMdl = mixconjugateblm (p);

PriorMdl是一个mixconjugateblm贝叶斯线性回归模型对象表示回归系数和扰动方差的先验分布。mixconjugateblm在命令行显示先前发行版的摘要。

或者，你可以通过预测的数量创造的SSVs采用现有的模型bayeslm并设置ModelType名称 - 值对参数“mixconjugate”。

MdlBayesLM = bayeslm (p,“ModelType”,“mixconjugate”)

属性:NumPredictors: 3 Intercept: 1 varname: {4x1 cell} Mu: [4x2 double] V: [4x2 double]概率:[4x1 double]相关性:[4x4 double] A: 3b:1 |意味着性病CI95积极分配- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -拦截| 0 1.5890[-3.547,3.547]0.500混合分布β(1)| 0 1.5890[-3.547,3.547]0.500混合分布β(2)| 0 1.5890[-3.547,3.547]0.500混合分布β(3)| 0 1.5890[-3.547,3.547]0.500混合分布Sigma2 | 0.5000 - 0.5000[0.138, 1.616] 1.000搞笑(3.00,1)

MDL和MdlBayesLM是等效的模型对象。

可以使用点符号设置创建的模型的可写属性值。将回归系数名称设置为相应的变量名称。

PriorMdl。VarNames=[“IPI”“E”“WR”]

PriorMdl = mixegegblm，属性:NumPredictors: 3 Intercept: 1 varname: {4x1 cell} Mu: [4x2 double] V: [4x2 double]概率:[4x1 double]相关性:[4x4 double] A: 3b:1 |意味着性病CI95积极分配- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -拦截| 0 1.5890[-3.547,3.547]0.500混合分布IPI | 0 1.5890[-3.547, 3.547] 0.500混合分布E | 0 1.5890[-3.547, 3.547] 0.500混合分布WR | 0 1.5890[-3.547, 3.547] 0.500混合分布Sigma2 | 0.5000 - 0.5000[0.138, 1.616] 1.000搞笑(3.00,1)

MATLAB®关联的变量名中显示的回归系数。

绘制先验分布。

情节（PriorMdl）;

每个系数的先验分布在两个高斯的混合物：两种组分具有零均值，但部件1具有大的相对度与组分2方差因此，它们的分布在零为中心，并具有spike-and-slab外观。

使用ssv和默认选项执行变量选择

开立真实脚本

考虑线性回归模型为ssv创建先验模型。

为执行ssv创建一个先验模型。假设 $β$ 和 $σ^{2}$ 是相关的(共轭混合模型)。指定预测器的数量p以及回归系数的名称。

p = 3;PriorMdl = mixconjugateblm（P，“VarNames”[“IPI”“E”“WR”]);

显示先验状态概率和先验的高斯混合方差因子 $β$ 。

priorProbabilities =表(PriorMdl.Probability,“RowNames”PriorMdl.VarNames,…“VariableNames”,“可能性”)

priorProbabilities =4×1表截获0.5 IPI 0.5 e0.5 WR 0.5的概率

priorV = array2table (PriorMdl.V,“RowNames”PriorMdl.VarNames,…“VariableNames”[“gammaIs1”“gammaIs0”])

priorV =4×2表gammaIs1 gammaIs0 ________拦截10 0.1 10 IPI 0.1 E 10 0.1 10 WR 0.1

PriorMdl存储在现有区域概率概率的性质和状态方差因子V财产。变量包含的默认先验概率是0.5。每个系数的默认方差因子，变量-包含制度为10，变量-排除制度为0.01。

加载Nelson-Plosser数据集。为响应和预测器系列创建变量。

负载Data_NelsonPlosserX = DataTable {: PriorMdl.VarNames(2:结束)};y = DataTable {:,“GNPR”};

通过估计的边际后验分布实现SS VS移至 $β$ 和 $σ^{2}$ 。由于SSVS使用Markov chain Monte Carlo (MCMC)进行估计，因此设置一个随机数种子来重现结果。

rng (1);PosteriorMdl =估计(PriorMdl, X, y);

方法：用MCMC抽样10000绘制的观测总数62号码预测的：4 |均值标准CI95正分配制度----------------------------------------------------------------------------------拦截|-18.8333 10.1851 [-36.965，0.716] 0.037实证0.8806 IPI |4.4554 0.1543 [4.165，4.764] 1.000实证0.4545 E |0.0010 0.0004 [0.000，0.002] 0.997实证0.0925 WR |2.4686 0.3615 [1.766，3.197] 1.000实证0.1734西格玛-2 |47.7557 8.6551 [33.858，66.875] 1.000实证的NaN

PosteriorMdl是一个empiricalblm的后验分布中存储的模型对象 $β$ 和 $σ^{2}$ 给出的数据。估计显示命令行边缘后验分布的摘要。摘要的行对应回归系数和扰动方差，列对应后验分布特征。特点包括:

CI95，其中包含95％的贝叶斯equitailed可信区间的参数。例如，后概率的回归系数E(标准化)是在[0.000,0.002]是0.95。
政权，其中包含变量包含的边际后验概率( $γ = 1$ 用于可变）。例如，后验概率那E应该包括在模型中的是0.0925。

假设，变量政权< 0.1应该从模型中删除，结果表明可以将失业率从模型中排除。

默认情况下,估计抽取和丢弃大小为5000的老化样本。然而，一个好的做法是检查绘图的跟踪图，以获得足够的混合和缺少过渡。为每个参数绘制绘制的跟踪图。您可以访问组成分布的绘图(属性)BetaDraws和Sigma2Draws）使用点符号。

图;为j = 1:(p + 1) subplot(2,2,j);情节(PosteriorMdl.BetaDraws (j,:));标题(sprintf (' % s ',PosteriorMdl.VarNames {j}));结束

图;情节(PosteriorMdl.Sigma2Draws);标题(“Sigma2”);

从图中可以看出，这些图似乎很好地结合在了一起。图中没有可检测到的瞬态或序列相关，图中没有在状态之间跳转。

指定ssv的自定义先验状态概率分布

打开脚本

考虑线性回归模型为ssv创建先验模型。

加载Nelson-Plosser数据集。为响应和预测器系列创建变量。将特定于示例的文件添加到MATLAB®路径。

负载Data_NelsonPlosserVarNames = [“IPI”“E”“WR”];X = DataTable {: VarNames};y = DataTable {:,“GNPR”};路径=完整文件（matlabroot，'例子',“经济学”,'主要');目录路径);

假设如下:

模型中的截距是0。9。
新闻学会和E的概率为0.75。
如果E被包括在模型中，则该概率或者说是包括在模型中的是0.9。
如果E从模型中排除，那么概率是多少或者说是包括0。25。

声明一个名为priorssvsexample.m那：

接受一个逻辑向量，该逻辑向量指示截距和变量是否在模型中(真正模型包含)。元素1对应于截距，其余元素对应于数据中的变量。
返回一个数字标量，表示所描述的先验状态概率分布的日志。

功能logprior = priorssvsexample (varinc)％PRIORSSVSEXAMPLE日志中的SS VS移至前体制概率分布% PRIORSSVSEXAMPLE是一个自定义日志先验状态概率的例子为的SSVs％分布相关的随机变量。varinc是％4由1逻辑矢量指示4个系数是否处于一个模型％和logPrior是表示现有的对数的数值标量状态概率的%分布。%%系数按照以下规则进入模型:％* varinc（1）附带概率0.9。模型中% * varinc(2)和varinc(3)的概率为0.75。％*如果varinc（3）被包含在模型中，则概率模型中包含的% varinc(4)为0.9。% *如果模型中不包含varinc(3)，则概率为％该varinc（4）被包括为0.25。logprior =日志(0.9)+ 2 *日志(0.75)+日志(varinc (3) * 0.9 + (1-varinc (3)) * 0.25);结束

priorssvsexample.m是Econometrics Toolbox™中包含的特定于示例的文件。要访问它，请输入编辑priorssvsexample.m在命令行。

为执行ssv创建一个先验模型。假设 $β\美元$ 和 $\σ^ 2美元$ 是(共轭混合模型)。指定预测器的数量p回归系数的名称和自定义，可变列入制度的先验概率分布。

p = 3;PriorMdl = mixconjugateblm（P，“VarNames”[“IPI”“E”“WR”),…“概率”,@priorssvsexample);

通过估计的边际后验分布实现SS VS移至 $β\美元$ 和 $\σ^ 2美元$ 。因为SSVS使用MCMC进行估计，所以设置一个随机数种子来重现结果。

rng (1);PosteriorMdl =估计(PriorMdl, X, y);

方法：用MCMC抽样10000绘制的观测总数62号码预测的：4 |均值标准CI95正分配制度----------------------------------------------------------------------------------拦截|-18.7971 10.1644 [-37.002, 0.765] 0.039 Empirical 0.8797 IPI | 4.4559 0.1530 [ 4.166, 4.760] 1.000 Empirical 0.4623 E | 0.0010 0.0004 [ 0.000, 0.002] 0.997 Empirical 0.2665 WR | 2.4684 0.3618 [ 1.759, 3.196] 1.000 Empirical 0.1727 Sigma2 | 47.7391 8.6741 [33.823, 67.024] 1.000 Empirical NaN

假设，变量政权< 0.1应该从模型中删除，结果表明您可以在模型中包含所有变量。

因为这个例子需要路径要访问特定于示例的文件，请通过删除进行清理路径从MATLAB®路径。

rmpath（路径）;

预测响应使用后验预测分布

开立真实脚本

考虑回归模型为ssv创建先验模型。

执行科学价值:

具有共轭之前的数据似然创建贝叶斯回归模型的SSVs。使用默认设置。
从评估中拿出最后10个时期的数据。
估计边缘后验分布。

p = 3;PriorMdl = bayeslm (p,“ModelType”,“mixconjugate”,“VarNames”[“IPI”“E”“WR”]);负载Data_NelsonPlosserfhs = 10;预测层位大小X = DataTable{1:(end - fhs)，PriorMdl.VarNames(2:end)};y = DataTable{1:(end - fhs)，“GNPR”};XF = DataTable{(end - fhs + 1):end,PriorMdl.VarNames(2:end)};未来预报数据yFT = DataTable{(end - fhs + 1):end，“GNPR”};％真正的未来应对rng (1);％用于重现PosteriorMdl =估计（PriorMdl，X，Y，'显示'、假);

预测响应采用后验预测分布和未来预测数据XF。绘制响应的真实值和预测值。

yF =预测(PosteriorMdl XF);图;情节(日期、DataTable.GNPR);保持上plot(date ((end - fhs + 1):end)，yF) h = gca;hp =补丁([日期(结束- fhs + 1)日期(结束)日期(结束)日期(结束)日期(结束- fhs + 1)]，…h.YLim ([1, 1、2、2]), [0.8 0.8 0.8]);uistack(惠普、“底”);传说（“预测地平线”,“真正的GNPR”,“预测GNPR”,“位置”,“西北”)标题("实际国民生产总值:1909 - 1970 ");ylabel (“rGNP”);包含(“年”);保持离

yF是与未来预测数据相对应的未来实际国民生产总值的10乘1向量。

估计预测均方根误差(RMSE)。

frmse = sqrt(均值((yF - yFT).^2))

frmse = 18.8470

预测RMSE是预测准确度的一个相对度量。具体地说，您可以使用不同的假设来估计几个模型。预测RMSE最低的模型是被比较模型中表现最好的模型。

当您使用的SSVs执行贝叶斯回归，最好的做法是调整超参数。这样做的一个方法是估算预测RMSE在超参数值的网格，并选择价值最小化的预测RMSE。

算法

在SSVS框架中，共轭混合先验存在一个闭形式后验K系数。然而，因为先前β|σ²,γ边缘化,γ是一个2^K-成分高斯混合，MATLAB^®使用MCMC代替从后部取样以获得数值稳定性。

另类功能

的bayeslm函数可以创建贝叶斯线性回归任何支持的现有模型对象金宝app。

参考

[1]乔治E·I和R. E.麦卡洛克。“变量选择通过Gibbs采样。”杂志美国统计协会。第88卷，第423号，1993年，第881-889页。

[2]Koop, G.， D. J. Poirier，和J. L. Tobias。贝叶斯计量经济学方法。纽约：剑桥大学出版社，2007年。

另请参阅

对象

empiricalblm|lassoblm|mixsemiconjugateblm

mixconjugateblm

描述

创建

语法

描述

属性

`NumPredictors`- - - - - -预测变量的数
非负整数

`截距`- - - - - -标志包括回归模型截距
`真正`(默认)|`假`

`VarNames`- - - - - -预测变量的名字
字符串向量|字符向量的单元向量

`亩`- - - - - -高斯混合先验的成分平均超参数β
`零（截距+ NumPredictors，2）`(默认)|数字矩阵

提示

`V`- - - - - -高斯混合先验的分量方差因子超参数β
`repmat([10 0.1]，Intercept + NumPredictors,1)`(默认)|正的数值矩阵

提示

`概率`- - - - - -变量纳入和排除制度先验概率分布
`0.5 * 1(拦截+ NumPredictors, 1)`(默认)|数值向量[0,1]|函数处理

`相关`- - - - - -之前相关矩阵β
`眼睛(拦截+ NumPredictors)`(默认)|数值，正定矩阵

请注意

`一个`- - - - - -逆先验的形状超参数σ²
`3.`(默认)|数字标

`B`- - - - - -逆先验的尺度超参数σ²
`1`(默认)|积极的标量|`天道酬勤`

对象的功能

例子

为ssv创建先验模型

使用ssv和默认选项执行变量选择

指定ssv的自定义先验状态概率分布

预测响应使用后验预测分布

更多关于

贝叶斯线性回归模型

随机搜索变量选择

算法

另类功能

参考

另请参阅

对象

主题

介绍了R2018b

计量经济学工具文档

金宝app

用MATLAB建模金融风险的实用指南

mixconjugateblm

描述

创建

语法

描述

属性

NumPredictors- - - - - -预测变量的数非负整数

截距- - - - - -标志包括回归模型截距真正(默认)|假

VarNames- - - - - -预测变量的名字字符串向量|字符向量的单元向量

亩- - - - - -高斯混合先验的成分平均超参数β零（截距+ NumPredictors，2）(默认)|数字矩阵

提示

V- - - - - -高斯混合先验的分量方差因子超参数βrepmat([10 0.1]，Intercept + NumPredictors,1)(默认)|正的数值矩阵

提示

概率- - - - - -变量纳入和排除制度先验概率分布0.5 * 1(拦截+ NumPredictors, 1)(默认)|数值向量[0,1]|函数处理

相关- - - - - -之前相关矩阵β眼睛(拦截+ NumPredictors)(默认)|数值，正定矩阵

请注意

一个- - - - - -逆先验的形状超参数σ23.(默认)|数字标

B- - - - - -逆先验的尺度超参数σ21(默认)|积极的标量|天道酬勤

对象的功能

例子

为ssv创建先验模型

使用ssv和默认选项执行变量选择

指定ssv的自定义先验状态概率分布

预测响应使用后验预测分布

更多关于

贝叶斯线性回归模型

随机搜索变量选择

算法

另类功能

参考

另请参阅

对象

主题

介绍了R2018b

计量经济学工具文档

金宝app

用MATLAB建模金融风险的实用指南

`NumPredictors`- - - - - -预测变量的数
非负整数

`截距`- - - - - -标志包括回归模型截距
`真正`(默认)|`假`

`VarNames`- - - - - -预测变量的名字
字符串向量|字符向量的单元向量

`亩`- - - - - -高斯混合先验的成分平均超参数β
`零（截距+ NumPredictors，2）`(默认)|数字矩阵

`V`- - - - - -高斯混合先验的分量方差因子超参数β
`repmat([10 0.1]，Intercept + NumPredictors,1)`(默认)|正的数值矩阵

`概率`- - - - - -变量纳入和排除制度先验概率分布
`0.5 * 1(拦截+ NumPredictors, 1)`(默认)|数值向量[0,1]|函数处理

`相关`- - - - - -之前相关矩阵β
`眼睛(拦截+ NumPredictors)`(默认)|数值，正定矩阵

`一个`- - - - - -逆先验的形状超参数σ²
`3.`(默认)|数字标

`B`- - - - - -逆先验的尺度超参数σ²
`1`(默认)|积极的标量|`天道酬勤`