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,您可以通过使用贝叶斯变量选择的模型对象来执行预测器变量选择。
了解贝叶斯分析以及线性回归的贝叶斯视图如何与古典视图不同。
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。
Tune Markov链蒙特卡罗样品适当混合,并进行先前分发敏感性分析。
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。
改进马尔可夫链蒙特卡罗样本,用于贝叶斯线性回归模型的后估计和推断。
使用带有Arima错误的回归模型,回归树袋和贝叶斯线性回归来解决有影响力的异常值。
使用Bayesian Lasso回归执行变量选择。
实现随机搜索变量选择(SSV),贝叶斯变量选择技术。
这估计
贝叶斯线性回归模型的功能Concugeattblm.
那SemiconJugateBlm.
那弥漫布
那仿真纤维
, 和海关
仅返回估计的模型和估计摘要表。