已知协方差下的最小二乘解
x = lscov (A, B)
x = lscov (A、B、w)
x = lscov (A、B、V)
x = lscov (A、B、V, alg)
[x, stdx] = lscov(…)
[x, stdx mse] = lscov(…)
[x, stdx mse, S] = lscov(…)
x = lscov (A, B)
返回线性方程组的普通最小二乘解A * x =
,也就是说,x
是使误差平方和最小化的n × 1向量吗(B - A*x)' (B - A*x)
,在那里一个
m×n的,B
m×1。B
也可以是一个m × k矩阵lscov
的每列返回一个解决方案B
.当(一)< n
,lscov
的元素的最大可能数目x
为零,得到“基本解”。
x = lscov (A、B、w)
,在那里w
长度为m的向量是否具有实数正权值,返回线性方程组的加权最小二乘解A * x =
,也就是说,x
最小化(B - A*x) *diag(w)*(B - A*x))
.w
通常包含计数或反向方差。
x = lscov (A、B、V)
,在那里V
是一个m × m的实对称正定矩阵,返回线性系统的广义最小二乘解A * x =
协方差矩阵正比于V
,也就是说,x
最小化(B - A*x)' V (V)*(B - A*x)
.
更普遍的是,V
可以是正半定的lscov
返回x
,最大限度地减少e”* e
,A*x + T*e = B
在这里,最小化已经结束x
和e
,T * T ' = V
.当V
是半定的,这个问题只有当B
是一致的一个
和V
(即,B
在的列空间中[T]
),否则lscov
返回一个错误。
默认情况下,lscov
计算的Cholesky分解V
实际上,把这个因子反过来,把问题转化成普通的最小二乘。然而,如果lscov
确定V
是半定的,它使用正交分解算法避免了逆V
.
x = lscov (A、B、V, alg)
指定用于计算的算法x
当V
是一个矩阵。alg
可以有以下值:
“胆固醇”
用乔尔斯基分解V
.
“奥尔特”
采用正交分解,且在V
是病态的或奇异的,但在计算上更昂贵。
[x, stdx] = lscov(…)
返回的估计标准误差x
.当一个
等级不足,stdx
的元素中包含零,对应于必须为零的元素x
.
[x, stdx mse] = lscov(…)
返回均方误差。如果B
假设有协方差矩阵σ2V
(或(σ2)×诊断接头
(1. /W
)),然后均方误差
是σ的估计吗2.
[x, stdx mse, S] = lscov(…)
的估计协方差矩阵x
.当一个
等级不足,年代
的行和列中包含零,对应于必须为零的元素x
.lscov
不能返回年代
如果它被多个右边调用,也就是,如果大小(B, 2) > 1
.
这些量的标准公式一个
和V
是正式的,是吗
x =发票(‘*发票(V) *) *的*发票(V) * B
mse = B *(发票(V) -发票(V) * *发票(‘*发票(V) *) *的*发票(V)) * B / (mn)
S =发票(一个“*发票(V) * * mse
stdx =√诊断接头(S))
然而,lscov
使用更快、更稳定的方法,适用于等级不足的情况。
lscov
假设的协方差矩阵B
只有一个比例因子才能知道。均方误差
是对未知尺度因子的估计吗lscov
天平输出年代
和stdx
适当。然而,如果V
的协方差矩阵B
,那么这种缩放就没有必要了。在这种情况下,为了获得适当的估计,您应该重新缩放年代
和stdx
通过1 / mse
和√1 / mse)
,分别。
MATLAB®反斜杠运算符(\)使您能够通过计算回归系数的普通最小二乘(OLS)估计来执行线性回归。你也可以用lscov
来计算相同的OLS估计值。通过使用lscov
,你也可以计算这些系数的标准误差的估计,以及回归误差项的标准偏差的估计:
x1 =[。2.5 .6 .8 1.0 1.1]'; x2 = [.1 .3 .4 .9 1.1 1.4]'; X = [ones(size(x1)) x1 x2]; y = [.17 .26 .28 .23 .27 .34]'; a = X\y a = 0.1203 0.3284 -0.1312 [b,se_b,mse] = lscov(X,y) b = 0.1203 0.3284 -0.1312 se_b = 0.0643 0.2267 0.1488 mse = 0.0015
使用lscov
通过提供相对观测权值的向量来计算加权最小二乘(WLS)拟合。例如,您可能希望降低不可靠的观察结果对适合度的影响:
W = [1 1 1 1 1]';[bw,sew_b,msew] = lscov(X,y,w) bw = 0.1046 0.4614 -0.2621 sew_b = 0.0309 0.1152 0.0814 msew = 3.4741e-004
使用lscov
通过提供观测协方差矩阵来计算一般最小二乘(GLS)拟合。例如,您的数据可能不是独立的:
V = 2 *(长度(x1)) + 8 *诊断接头((大小(x1)));[bg,sew_b,mseg] = lscov(X,y,V) bg = 0.1203 0.3284 -0.1312 sew_b = 0.0672 0.2267 0.1488 mseg = 0.0019
计算OLS、WLS或GLS拟合的系数协方差矩阵的估计。系数标准误差等于该协方差矩阵对角线上值的平方根:
[b, se_b mse, S] = lscov (X, y);S = 0.0041 -0.0130 0.0075 -0.0130 0.0514 -0.0328 0.0075 -0.0328 0.0221 [se_b sqrt(diag(S))] ans = 0.0643 0.0643 0.2267 0.2267 0.1488 0.1488 . (S
向量x
减少的数量(* *取向)发票(V) *(*取向)
.这个问题的经典线性代数解是
x =发票(‘*发票(V) *) *的*发票(V) * B
但是,lscov
函数计算的QR分解一个
然后修改问
通过V
.
[1]斯特朗,G。,应用数学概论,韦尔斯利-剑桥,1986年,第398页。