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,而不是固定但未知的量。此假设导致更灵活的模型和直观的推断。有关更多详细信息,请参阅贝叶斯线性回归.
要开始贝叶斯线性回归分析,请创建一个标准模型对象,该对象最好地描述了您先前对回归系数和干扰方差联合分布的假设。然后,使用模型和数据,您可以估计后验分布的特征,根据后验分布进行模拟,或使用预测性后验分布的预测反应。
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视图与经典视图的区别。
结合标准的贝叶斯线性回归先验模型和数据来估计后验分布特征或执行贝叶斯预测选择。这两种工作流都产生了非常适合进一步分析(如预测)的后验模型。
调整马尔可夫链蒙特卡罗样本以充分混合,并进行先验分布敏感性分析。
使用哈密顿蒙特卡罗采样器建立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验估计和推断。
使用带有ARIMA误差的回归模型、回归树包和贝叶斯线性回归解决有影响的异常值。
使用贝叶斯套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。
这个估计
贝叶斯线性回归模型的功能共轭光学显微镜
,半共轭BLM
,漫射
,经验性LBLM
和定制
仅返回估计模型和估计汇总表。