估计
估计贝叶斯线性回归模型参数的后验分布
描述
执行贝叶斯线性回归模型预测变量选择,明白了估计
。
返回贝叶斯线性回归模型PosteriorMdl
=估计(PriorMdl
,X
,y
)PosteriorMdl
特征的联合后验分布系数β和干扰的方差σ2。PriorMdl
指定的共同先验分布参数和线性回归模型的结构。X
预测数据和吗y
响应数据。PriorMdl
和PosteriorMdl
可能不是相同的对象类型。
生产PosteriorMdl
,估计
更新信息的先验分布函数的参数获取的数据。
南
在数据显示缺失值,估计
通过使用list-wise删除删除。
(
使用任何输入参数组合在前面语法返回一个表,包含以下为每个参数:后平均值和标准偏差,95%可信区间,后验概率参数大于0,和描述后验分布的(如果有的话)。此外,表包含后的协方差矩阵β和σ2。如果你指定PosteriorMdl
,总结
)=估计(___)β
或Sigma2
名称-值对的论点估计
返回条件后验估计。
例子
比较之前违约和边际OLS估计后验估计
考虑一个模型,预测汽车的燃油经济性(MPG)鉴于其发动机排量和体重。
加载carsmall
数据集。
负载carsmallx =(位移重量);y = MPG;
回归燃油经济性发动机排量和重量上,包括一个拦截获得普通最小二乘(OLS)估计。
Mdl = fitlm (x, y)
Mdl =线性回归模型:y ~ 1 + x1 + x2估计系数:估计SE tStat pValue __________ _____ _________ __________(拦截)46.925 2.0858 22.497 6.0509 e-39 x1 x2 -0.014593 0.0082695 -1.7647 0.080968 -0.0068422 0.0011337 -6.0353 3.3838 e-08数量的观察:94年,错误自由度:91根均方误差:4.09平方:0.747,调整平方:0.741 f统计量与常数模型:134年,即使假定值= 7.22
Mdl.MSE
ans = 16.7100
创建一个默认,扩散先验分布预测。
p = 2;PriorMdl = bayeslm (p);
PriorMdl
是一个diffuseblm
模型对象。
使用默认选项来估计后验分布。
PosteriorMdl =估计(PriorMdl, x, y);
方法:分析后分布的观测数量:94的预测数量:3 |意味着性病CI95积极分配- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -拦截| 46.9247 - 2.1091[42.782,51.068]1.000吨(46.92、2.09 ^ 2,91)β(1)| -0.0146 - 0.0084[-0.031,0.002]0.040吨(-0.01、0.01 ^ 2,91)β(2)| -0.0068 - 0.0011[-0.009,-0.005]0.000吨(-0.01、0.00 ^ 2,91)Sigma2 | 17.0855 - 2.5905[12.748, 22.866] 1.000搞笑(45.50,0.0013)
PosteriorMdl
是一个conjugateblm
模型对象。
后手段和OLS估计系数几乎是相同的。此外,后标准差和OLS标准错误是几乎相同的。后的均值Sigma2
是接近OLS的均方误差(MSE)。
估计后用哈密顿蒙特卡罗采样器
考虑的多元线性回归模型预测美国实际国民生产总值(GNPR
总就业(的)使用一个线性组合E
)和实际工资(或者说是
)。
对所有,是一系列的独立和0的均值和方差高斯干扰吗。假设这些先验分布:
是一个三维t分布与10自由度为每个组件,相关矩阵
C
、位置ct
,和规模圣
。,形状和规模。
bayeslm
对待这些假设和相应数据好像可能性后分析棘手。
声明一个MATLAB®函数:
接受的价值观和在一个列向量,并接受hyperparameters的值
之前返回的值的联合分布,给定的值和
函数logPDF = priorMVTIG (params, ct,圣,景深,C, a, b)% priorMVTIG日志多元t乘以逆伽马密度% priorMVTIG通过params (1: end-1)的多元t密度%为每个组件函数与景深的自由度和积极的%的相关矩阵c priorMVTIG返回产品的日志%计算密度。%%参数:参数值的密度进行计算,一个% m×1数值向量。%% ct:多元t分布组件中心,一个(m - 1) 1%数值向量。元素对应于第一个m - 1的元素%的参数。%%圣:多元t分布组件尺度,(m - 1) 1%数字(m - 1) 1数值向量。对应的元素%的第一个参数的m - 1元素。%%景深:多元t分布的自由度%数值标量或(m - 1) 1数值向量。priorMVTIG扩展%标量,这样景深=景深* 1 (m - 1, 1)。景深的元素%的对应元素params (1: end-1)。%% C:多元t分布的相关矩阵% (m - 1)———(m - 1)对称正定矩阵。行和%的列对应元素params (1: end-1)。%%:逆伽马形状参数,一个积极的数字标量。%% b:逆伽马尺度参数,一个积极的标量。%β= params (1: (end-1));sigma2 = params(结束);tVal =(β- ct)。/圣;mvtDensity = mvtpdf (tVal C景深);igDensity = sigma2 ^ (1) * exp (1 / (sigma2 * b)) /(γ(a) * b ^);logPDF =日志(mvtDensity * igDensity);结束
创建一个匿名函数,操作priorMVTIG
,但只接受参数值,把hyperparameter值固定在任意选择的值。
prednames = [“E”“福”];p =元素个数(prednames);numcoeff = p + 1;rng (1);%的再现性景深= 10;V =兰德(numcoeff);σ= 0.5 * (V + V”) + numcoeff *眼(numcoeff);圣=√诊断接头(σ));C =诊断接头(1. / st) *σ*诊断接头(1. / st);ct =兰德(numcoeff, 1);= 10 *兰特;b = 10 *兰德;logPDF = @ (params) priorMVTIG (params, ct,圣,景深,C, a, b);
创建一个定制的联合线性回归参数的先验模型。指定数量的预测p
。同时,指定函数处理priorMVTIG
和变量名。
PriorMdl = bayeslm (p,“ModelType”,“自定义”,“LogPDF”logPDF,…“VarNames”,prednames);
PriorMdl
是一个customblm
贝叶斯线性回归模型对象代表回归系数的先验分布和扰动方差。
加载Nelson-Plosser数据集。为响应和预测系列创建变量。
负载Data_NelsonPlosserX = DataTable {: PriorMdl.VarNames(2:结束)};y = DataTable {:,“GNPR”};
估计边际的后验分布和利用哈密顿蒙特卡罗(HMC)取样器。指定图纸10000样品和老化时间的1000了。
PosteriorMdl =估计(PriorMdl, X, y,的取样器,hmc的,“NumDraws”1 e4,…“燃烧”1 e3);
方法:与10000年获得了数量的观察:62年的预测数量:3 |意味着性病CI95积极分配- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -拦截| -3.6417 - 5.6972[-16.242,6.365]0.247经验E | -0.0056 - 0.0006[-0.007, -0.004] 0.000经验或者说是1.000 | 15.2467 - 0.7734[13.735,16.721]经验Sigma2 | 1285.3591 - 241.2001[903.847, 1832.438] 1.000经验
PosteriorMdl
是一个empiricalblm
模型对象存储从后验分布。
查看跟踪情节和一个后的ACF的情节吸引了(例如)和干扰方差。不老化期。
图;次要情节(2,1,1)情节(PosteriorMdl.BetaDraws(1001:结束);标题([“跟踪情节”char (8212)“\ beta_1”]);包含(“获得画”)ylabel (“模拟指数”次要情节(2,1,2)autocorr (PosteriorMdl.BetaDraws(1001:结束)图;次要情节(2,1,1)情节(PosteriorMdl.Sigma2Draws(1001:结束);标题([“跟踪情节”char (8212)“干扰方差”]);包含(“获得画”)ylabel (“模拟指数”次要情节(2,1,2)autocorr (PosteriorMdl.Sigma2Draws(1001:结束)
密度的扰动样本方差似乎拌匀。
估计条件后验分布
考虑的回归模型估计后用哈密顿蒙特卡罗采样器。这个示例使用相同的数据和内容,但是之前假定扩散模型。
线性回归之前创建一个扩散模型参数。指定数量的预测p
和回归系数的名称。
p = 3;PriorMdl = bayeslm (p,“ModelType”,“扩散”,“VarNames”,(“他们”“E”“福”])
PriorMdl = diffuseblm属性:NumPredictors: 3拦截:1 VarNames: {4 x1细胞}|意味着性病CI95积极分配- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -拦截| 0正(南南)0.500一个IPI | 0正成正比(南南)0.500比例1 E | 0正(南南)0.500一个WR | 0正成正比(南南)0.500比例一Sigma2 |正正(南南)1.000 1 / Sigma2成正比
PriorMdl
是一个diffuseblm
模型对象。
加载Nelson-Plosser数据集。为响应和预测系列创建变量。
负载Data_NelsonPlosserX = DataTable {: PriorMdl.VarNames(2:结束)};y = DataTable {:,“GNPR”};
估计的条件后验分布 考虑到数据 ,然后返回评估汇总表访问估计。
[Mdl, SummaryBeta] =估计(PriorMdl, X, y,“Sigma2”2);
方法:分析后验分布条件变量:Sigma2固定在2号的观察:62年的预测数量:4 |意味着性病CI95积极分配- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -拦截| -24.2536 - 1.8696 [-27.918,-20.589]0.000 N (-24.25、1.87 ^ 2) IPI | 4.3913 - 0.0301 [4.332, 4.450] 1.000 N E (4.39、0.03 ^ 2) | 0.0011 - 0.0001 [0.001, 0.001] 1.000 N (0.00、0.00 ^ 2) WR | 2.4682 - 0.0743 [2.323, 2.614] 1.000 N (2.47、0.07 ^ 2) Sigma2 | 2 0[2.000, 2.000] 1.000固定值
估计
显示的条件后验分布的摘要
。因为
是固定在2估计,推断它是微不足道的。
提取的条件后验均值向量和协方差矩阵 从评估汇总表。
condPostMeanBeta = SummaryBeta。结束意味着(1:(- 1))
condPostMeanBeta =4×1-24.2536 4.3913 0.0011 2.4682
CondPostCovBeta = SummaryBeta。协方差(1:(结束- 1),1:(end - 1))
CondPostCovBeta =4×43.4956 0.0350 -0.0001 0.0241 0.0350 0.0009 -0.0000 -0.0013 -0.0001 -0.0000 0.0000 -0.0000 0.0241 -0.0013 -0.0000 0.0055
显示Mdl
。
Mdl
Mdl = diffuseblm属性:NumPredictors: 3拦截:1 VarNames: {4 x1细胞}|意味着性病CI95积极分配- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -拦截| 0正(南南)0.500一个IPI | 0正成正比(南南)0.500比例1 E | 0正(南南)0.500一个WR | 0正成正比(南南)0.500比例一Sigma2 |正正(南南)1.000 1 / Sigma2成正比
因为估计
计算条件后验分布,它返回原来的模型之前,不后,在第一个位置的输出参数列表。
估计的条件后验分布
考虑到
是condPostMeanBeta
。
[~,SummarySigma2] =估计(PriorMdl, X, y,“β”,condPostMeanBeta);
方法:分析后验分布条件变量:β固定数量的观察:2.46823 -24.2536 4.3913 0.00112035 62的预测数量:4 |意味着性病CI95积极分配- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -拦截| -24.2536 0[-24.254,-24.254]0.000固定值IPI | 4.3913 0[4.391, 4.391] 1.000固定值E | 0.0011 0[0.001, 0.001] 1.000固定值WR | 2.4682 0[2.468, 2.468] 1.000固定值Sigma2 | 48.5138 - 9.0088[33.984, 69.098] 1.000搞笑(31.00,0.00069)
估计
显示的条件后验分布的摘要
。因为
是固定的,condPostMeanBeta
在估计,推断它是微不足道的。
提取的条件后的均值和方差 从评估汇总表。
condPostMeanSigma2 = SummarySigma2.Mean(结束)
condPostMeanSigma2 = 48.5138
CondPostVarSigma2 = SummarySigma2.Covariances(结束,结束)
CondPostVarSigma2 = 81.1581
访问估计估计显示
考虑的回归模型估计后用哈密顿蒙特卡罗采样器。这个示例使用相同的数据和上下文,但假设semiconjugate先验模型。
创建一个semiconjugate之前线性回归模型参数。指定数量的预测p
和回归系数的名称。
p = 3;PriorMdl = bayeslm (p,“ModelType”,“semiconjugate”,…“VarNames”,(“他们”“E”“福”]);
PriorMdl
是一个semiconjugateblm
模型对象。
加载Nelson-Plosser数据集。为响应和预测系列创建变量。
负载Data_NelsonPlosserX = DataTable {: PriorMdl.VarNames(2:结束)};y = DataTable {:,“GNPR”};
估计边际的后验分布 和 。
rng (1);%的再现性[PosteriorMdl,总结]=估计(PriorMdl, X, y);
方法:吉布斯抽样数量与10000年吸引的观察:62年的预测数量:4 |意味着性病CI95积极分配- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -拦截| -23.9922 - 9.0520[-41.734,-6.198]0.005经验IPI | 4.3929 - 0.1458[4.101, 4.678] 1.000经验E | 0.0011 - 0.0003[0.000, 0.002] 0.999经验或者说是| 2.4711 - 0.3576[1.762,3.178]1.000经验Sigma2 | 46.7474 - 8.4550[33.099, 66.126] 1.000经验
PosteriorMdl
是一个empiricalblm
模型对象,因为边缘后验分布semiconjugate模型分析棘手,所以估计
必须实现一个吉布斯采样器。总结
是一个表包含估计和推断呢估计
显示在命令行。
显示汇总表。
总结
摘要=5×6表意味着性病CI95积极协方差分布_____ __________ ________________________ ________ _________________ ______________________________________________________________________拦截-23.992 9.052 -41.734 -6.1976 0.0053{‘经验’}0 IPI 4.3929 0.14578 4.1011 81.938 0.81622 -0.0025308 0.58928 4.6782 - 1{‘经验’}0.81622 0.021252 -7.1663 e-06 -0.030939 E 0 0.0011124 0.00033976 0.00045128 0.0017883 0.9989 -0.0025308 - -7.1663{‘经验’}e-06 1.1544 e-07 -8.4598 e-05 0或者说是2.4711 0.3576 1.7622 3.1781 1{‘经验’}0.58928 -0.030939 -8.4598 0.12788 e-05 0 Sigma2 46.747 8.455 33.099 66.126 1{‘经验’}0 0 0 0 71.487
访问equitailed 95%可信区间的回归系数新闻学会
。
:Summary.CI95 (2)
ans =1×24.1011 - 4.6782
输入参数
PriorMdl
- - - - - -贝叶斯线性回归模型
conjugateblm
模型对象|semiconjugateblm
模型对象|diffuseblm
模型对象|empiricalblm
模型对象|customblm
模型对象
贝叶斯线性回归模型代表一个模型之前,这个表中指定为一个对象。
模型对象 | 描述 |
---|---|
conjugateblm |
依赖,normal-inverse-gamma共轭模型返回的bayeslm 或估计 |
semiconjugateblm |
独立,normal-inverse-gamma semiconjugate模型返回的bayeslm |
diffuseblm |
扩散先验模型返回的bayeslm |
empiricalblm |
之前模型的特征样本先验分布,返回的bayeslm 或估计 |
customblm |
先验分布函数声明返回的bayeslm |
PriorMdl
也可以代表联合后返回的模型估计
,一个conjugateblm
或empiricalblm
模型对象。在这种情况下,估计
更新使用新的观测联合后验分布X
和y
。
X
- - - - - -预测数据
数字矩阵
多元线性回归模型的预测数据,指定为一个numObservations
——- - - - - -PriorMdl.NumPredictors
数字矩阵。numObservations
是观察和的数量必须相等的长度吗y
。
数据类型:双
y
- - - - - -响应数据
数值向量
响应数据的多元线性回归模型,指定为一个数值向量numObservations
元素。
数据类型:双
名称-值参数
指定可选的双参数作为Name1 = Value1,…,以=家
,在那里的名字
参数名称和吗价值
相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。
R2021a之前,用逗号来分隔每一个名称和值,并附上的名字
在报价。
例子:“Sigma2”, 2
指定了回归系数估计的条件后验分布的数据和指定的扰动方差2
。
β
- - - - - -条件后验分布的回归系数值扰动估计方差
空数组([]
)(默认)|数字列向量
薄
- - - - - -蒙特卡罗调整样本量乘数
1
(默认)|正整数
蒙特卡罗调整样本量乘数,指定为逗号分隔组成的“薄”
和一个正整数。
实际的蒙特卡罗样本大小燃烧
+NumDraws
*薄
。丢弃老化后,估计
丢弃每薄
- - - - - -1
吸引,然后保留下一个。有关如何估计
减少了蒙特卡罗抽样,明白了算法。
提示
减少潜在的大型蒙特卡罗抽样序列相关,或降低了存储的内存消耗PosteriorMdl
,指定一个较大的值薄
。
例子:“薄”,5
数据类型:双
BetaStart
- - - - - -起始的回归系数值获得样本
数字列向量
起始值回归系数的马尔可夫链蒙特卡罗(密度)的样本,指定为逗号分隔组成的“BetaStart”
和一个数字列向量(PriorMdl.Intercept
+PriorMdl.NumPredictors
)元素。默认情况下,BetaStart
普通最小二乘(OLS)估计。
提示
一个良好的实践是运行估计
多次使用不同的参数值。验证解决方案从每个运行收敛于相似金宝搏官方网站的价值观。
例子:“BetaStart”, [1;2;3]
数据类型:双
Sigma2Start
- - - - - -获得起始扰动值方差模型样本
积极的数字标量
开始的扰动值获得样本方差,指定为逗号分隔组成的“Sigma2Start”
和积极的数字标量。默认情况下,Sigma2Start
OLS剩余均方误差。
提示
一个良好的实践是运行估计
多次使用不同的参数值。验证解决方案从每个运行收敛于相似金宝搏官方网站的价值观。
例子:“Sigma2Start”4
数据类型:双
Reparameterize
- - - - - -Reparameterization的σ2日志(σ2)
假
(默认)|真正的
Reparameterization的σ2日志(σ2)后评估和仿真,指定为逗号分隔组成的“Reparameterize”
在这个表和一个值。
价值 | 描述 |
---|---|
假 |
估计 不reparameterizeσ2。 |
真正的 |
估计 reparameterizesσ2日志(σ2)。估计 将结果返回给原来的规模和不改变的函数形式PriorMdl.LogPDF 。 |
提示
如果你经验的后评估或模拟数值不稳定σ2,然后指定“Reparameterize”,真的
。
例子:“Reparameterize”,真的
数据类型:逻辑
取样器
- - - - - -密度取样器
“切”
(默认)|“大都市”
|hmc的
密度取样器,指定为逗号分隔组成的的取样器
在这个表和一个值。
价值 | 描述 |
---|---|
“切” |
片取样器 |
“大都市” |
随机漫步都市取样器 |
hmc的 |
哈密顿蒙特卡罗(HMC)取样器 |
提示
增加密度的质量吸引,优化采样器。
在调用之前
估计
,指定使用的调优参数及其值sampleroptions
。例如,指定取样器宽度宽度
使用:选择= sampleroptions (的取样器,“切”,“宽度”、宽度);
指定包含返回的调优参数规范的对象
sampleroptions
通过使用“选项”
名称-值对的论点。例如,使用规范的调优参数选项
指定:“选项”,选择
如果你指定HMC取样器,那么一个最佳实践是提供一些变量的梯度,至少。
估计
度假村任何缺失的偏导数的数值计算(南
梯度向量的值)。
例子:“取样器”,“hmc”
数据类型:字符串
选项
- - - - - -取样器的选择
[]
(默认)|结构数组
取样器选项,指定为逗号分隔组成的“选项”
和一个结构数组返回sampleroptions
。使用“选项”
获得指定取样器和它的调优参数值。
例子:“选项”,sampleroptions(取样器,hmc)
数据类型:结构体
宽度
- - - - - -典型的采样间隔宽度
积极的数字标量|数字矢量的积极的价值观
典型的采样间隔宽度约片的当前值的边际分布取样器,指定为逗号分隔组成的“宽度”
和积极的数字标量或(PriorMdl.Intercept
+PriorMdl.NumPredictors
+1
)1数值向量积极的价值观。第一个元素对应于模型拦截,如果一个模型中存在。下一个PriorMdl.NumPredictors
元素对应的系数预测变量预测命令的数据列。最后一个元素对应于模型的方差。
如果
宽度
是一个标量,然后呢估计
适用于宽度
对所有PriorMdl.NumPredictors
+PriorMdl.Intercept
+1
边际分布。如果
宽度
是一个数值向量,然后呢估计
第一个元素适用于拦截(如果存在的话)PriorMdl.NumPredictors
元素相对应的回归系数的预测变量X
和最后一个元素干扰方差。如果样本容量(
大小(X, 1)
)小于100,然后宽度
是10
默认情况下。如果样本容量至少是100,
估计
集宽度
相应的向量后标准差在默认情况下,假设扩散先验模型(diffuseblm
)。
典型的片取样器的宽度不影响收敛的样本密度。它确实影响所需的功能评估的数量,也就是说,该算法的效率。如果宽度太小,算法可以实现过多的功能评估,以确定适当的采样宽度。如果宽度太大,那么该算法可能要宽度减少到一个适当的大小,需要评估函数。
估计
发送宽度
到slicesample
函数。更多细节,请参阅slicesample
。
提示
最大的灵活性,指定取样器宽度
宽度
通过使用“选项”
名称-值对的论点。例如:“选项”sampleroptions (的取样器,“切”,“宽度”、宽度)
例子:的“宽度”,(100 * (3,1);10]
输出参数
PosteriorMdl
——贝叶斯线性回归模型存储分布特征
conjugateblm
模型对象|semiconjugateblm
模型对象|diffuseblm
模型对象|empiricalblm
模型对象|customblm
模型对象
贝叶斯线性回归模型存储分布特征,作为一个返回conjugateblm
,semiconjugateblm
,diffuseblm
,empiricalblm
,或customblm
模型对象。
如果你不指定
β
或Sigma2
(他们的价值观[]
),然后估计
更新之前的模型使用后可能形成的数据分布。PosteriorMdl
后验分布的特点。它的对象类型取决于先前的模型类型(PriorMdl
)。模型对象 PriorMdl
conjugateblm
conjugateblm
或diffuseblm
empiricalblm
semiconjugateblm
,empiricalblm
,或customblm
如果您指定
β
或Sigma2
,然后PosteriorMdl
=PriorMdl
(两个模型是相同的对象存储相同的属性值)。估计
没有更新前模型形成后的模型。然而,estBeta
,EstBetaCov
,estSigma2
,estSigma2Var
,总结
存储条件后验估计。
更多细节的显示PosteriorMdl
,请参阅总结
。
有关支持易于分析的后验分布,明金宝app白了易于分析后验。
总结
——贝叶斯估计的总结
表
摘要贝叶斯估计,作为一个表返回。总结
包含相同的信息,评估总结的显示(显示
)。行对应参数,每个参数和列对应于这些后特征:
的意思是
——后的意思是性病
——后标准偏差CI95
- 95% equitailed可信区间积极的
的后验概率参数大于0分布
——边际的描述或条件参数的后验分布,当已知协方差
——估计协方差矩阵的系数和扰动方差
行名称的名称PriorMdl.VarNames
。最后一行的名字Sigma2
。
另外,通过PosteriorMdl
来总结
获得贝叶斯估计的摘要。
限制
如果PriorMdl
是一个empiricalblm
模型对象。你不能指定β
或Sigma2
。你不能估计后验分布条件下使用实证先验分布。
更多关于
贝叶斯线性回归模型
一个贝叶斯线性回归模型将参数β和σ2看不到在多元线性回归(MLR)模型yt=xtβ+εt为随机变量。
为次t= 1,…,T:
yt是观察到的反应。
xt是一个1 - (p+ 1)的观测值的行向量p预测因子。为了适应拦截模型,x1t= 1为所有t。
β是(p+ 1)1的列向量回归系数对应的变量组成的列xt。
εt是均值为零的随机干扰和浸(ε)=σ2我T×T,而ε是一个T1向量包含所有干扰。这些假设可能是意味着数据
ϕ(yt;xtβ,σ2)是高斯概率密度的意思xtβ和方差σ2评估在yt;。
考虑到数据之前,您征收联合先验分布假设(β,σ2)。在贝叶斯分析,你更新的分布参数通过使用信息参数获得的数据的可能性。结果是联合后验分布(β,σ2)或条件后验分布的参数。
提示
蒙特卡罗模拟是可能变更。如果
估计
使用蒙特卡罗模拟,那么当你叫估计和推断可能有所不同估计
在看似同等条件下多次。复制估算结果,设置一个随机数种子通过使用rng
在调用之前估计
。如果
估计
问题一个错误而估计后验分布使用自定义模型之前,然后试着调整初始参数值通过使用BetaStart
或Sigma2Start
之前,或者尝试调整宣布日志功能,然后重构模型。错误可能表明日志的先验分布负
在指定的初始值。
算法
版本历史
介绍了R2017aR2019b:估计
只返回一个估计模型对象和评估总结
为一个更简单的接口,估计
只返回一个估计模型和评估汇总表。现在,支持的语法是金宝app:
PosteriorMdl =估计(…);[PosteriorMdl,总结]=估计(…);
在过去的版本中,估计
这些输出参数返回:
[PosteriorMdl, estBeta EstBetaCov、estSigma2 estSigma2Var,总结]=估计(…);
estBeta
,EstBetaCov
,estSigma2
,estSigma2Var
后验均值和方差的吗β和σ
2。
从R2019b开始,如果你请求任何输出参数的位置大于第二个位置,估计
这个错误的问题:
太多的输出参数。
MATLABコマンド
次のMATLABコマンドに対応するリンクがクリックされました。
コマンドをMATLABコマンドウィンドウに入力して実行してくださ了对いweb这类ブラウザーはMATLABコマンドをサポートしていません。
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。