贝叶斯线性回归模型将回归系数和干扰方差视为随机变量,而不是固定的未知数。这种假设导致了更灵活的模型和更直观的推论。有关详细信息,请参见贝叶斯线性回归.
要开始贝叶斯线性回归分析,创建一个标准模型对象,最好地描述您之前对回归系数和干扰方差联合分布的假设。然后,利用模型和数据,可以估计后验分布的特征,从后验分布模拟,或使用预测后验分布预测响应。
或者,您可以通过使用模型对象进行贝叶斯变量选择来执行预测变量选择。
了解贝叶斯分析,以及线性回归的贝叶斯观点与经典观点有何不同。
结合标准贝叶斯线性回归先验模型和数据,估计后验分布特征或进行贝叶斯预测器选择。这两个工作流产生的后验模型非常适合进一步分析,如预测。
调优马尔可夫链蒙特卡罗样本进行充分混合,并进行先验分布灵敏度分析。
利用哈密顿蒙特卡罗采样器建立了有效后验抽样的贝叶斯线性回归模型。
改进了一种用于Bayesian线性回归模型的后验估计和推断的马尔可夫链蒙特卡罗样本。
使用具有ARIMA误差的回归模型、回归树包和贝叶斯线性回归来处理有影响的离群值。
使用贝叶斯拉索回归进行变量选择。
实现随机搜索变量选择(SSVS),一种贝叶斯变量选择技术。
的估计
贝叶斯线性回归模型的函数conjugateblm
,semiconjugateblm
,diffuseblm
,empiricalblm
,customblm
只返回一个估计模型和一个估计汇总表。