贝叶斯线性回归模型将回归系数和干扰差异视为随机变量,而不是固定但未知量。这种假设导致更灵活的模型和直观的推论。有关更多详细信息,请参阅贝叶斯线性回归.
为了启动贝叶斯线性回归分析,创建一个标准模型对象,最能描述您的对回归系数和干扰方差的联合分布的现有假设。然后,使用模型和数据,您可以估计后部分布的特性,从后部分布模拟,或者使用预测后分布预测响应。
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的现有模型和数据来估计后部分布特征或执行贝叶斯预测器选择。两者的工作流量都会产生很适合进一步分析的后模型,例如预测。
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。
使用Hamiltonian Monte Carlo采样器设置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。