预测gydF4y2Ba
贝叶斯线性回归模型的响应预测gydF4y2Ba
语法gydF4y2Ba
描述gydF4y2Ba
返回gydF4y2BayFgydF4y2Ba
=预测(gydF4y2BaMdlgydF4y2Ba
,gydF4y2BaXFgydF4y2Ba
)gydF4y2BanumPeriodsgydF4y2Ba
预测的反应gydF4y2Ba贝叶斯线性回归模型gydF4y2BaMdlgydF4y2Ba
给定的预测数据gydF4y2BaXFgydF4y2Ba
,则矩阵为gydF4y2BanumPeriodsgydF4y2Ba
行。gydF4y2Ba
为了估计预测,gydF4y2Ba预测gydF4y2Ba
的均值gydF4y2BanumPeriodsgydF4y2Ba
-维后验预测分布。gydF4y2Ba
如果gydF4y2Ba
MdlgydF4y2Ba
联合先验模型(由gydF4y2BabayeslmgydF4y2Ba
),然后gydF4y2Ba预测gydF4y2Ba
只使用联合先验分布和创新分布来形成预测分布。gydF4y2Ba如果gydF4y2Ba
MdlgydF4y2Ba
是后模(返回由gydF4y2Ba估计gydF4y2Ba
),然后gydF4y2Ba预测gydF4y2Ba
采用后验预测分布。gydF4y2Ba
南gydF4y2Ba
数据中的S表示缺失值,即gydF4y2Ba预测gydF4y2Ba
使用列表删除进行删除。gydF4y2Ba
使用后验预测分布的预测,通过合并预测数据产生或更新gydF4y2BayFgydF4y2Ba
=预测(gydF4y2BaMdlgydF4y2Ba
,gydF4y2BaXFgydF4y2Ba
,gydF4y2BaXgydF4y2Ba
,gydF4y2BaygydF4y2Ba
)gydF4y2BaXgydF4y2Ba
以及相应的响应数据gydF4y2BaygydF4y2Ba
.gydF4y2Ba
如果gydF4y2Ba
MdlgydF4y2Ba
是联合先验模型吗gydF4y2Ba预测gydF4y2Ba
通过使用从数据中获得的参数信息更新先验模型,生成后验预测分布。gydF4y2Ba如果gydF4y2Ba
MdlgydF4y2Ba
是后验模型吗gydF4y2Ba预测gydF4y2Ba
用从附加数据中获得的参数信息更新后验。完全数据似然由附加数据构成gydF4y2BaXgydF4y2Ba
而且gydF4y2BaygydF4y2Ba
,以及创建的数据gydF4y2BaMdlgydF4y2Ba
.gydF4y2Ba
使用前面语法中的任何输入参数组合,以及由一个或多个名-值对参数指定的其他选项。例如,可以为指定值gydF4y2BaβgydF4y2Ba或gydF4y2BaσgydF4y2Ba2gydF4y2Ba从天气预报gydF4y2Ba有条件的gydF4y2Ba一个参数的预测分布,给定另一个参数的指定值。gydF4y2BayFgydF4y2Ba
=预测(gydF4y2Ba___gydF4y2Ba,gydF4y2Ba名称,值gydF4y2Ba
)gydF4y2Ba
[gydF4y2Ba
的协方差矩阵gydF4y2BayFgydF4y2Ba
,gydF4y2BaYFCovgydF4y2Ba
] =预测(gydF4y2Ba___gydF4y2Ba)gydF4y2BanumPeriodsgydF4y2Ba
-维后验预测分布。预测的标准差是对角线元素的平方根。gydF4y2Ba
例子gydF4y2Ba
使用后验预测分布预测响应gydF4y2Ba
考虑预测美国实际国民生产总值(gdp)的多元线性回归模型(gydF4y2BaGNPRgydF4y2Ba
)采用工业生产指数(gydF4y2Ba新闻学会gydF4y2Ba
)、总就业人数(gydF4y2BaEgydF4y2Ba
)和实际工资(gydF4y2Ba或者说是gydF4y2Ba
).gydF4y2Ba
对所有gydF4y2Ba ,gydF4y2Ba 是一系列均值为0,方差为0的独立高斯扰动吗gydF4y2Ba .gydF4y2Ba
假设这些先验分布:gydF4y2Ba
.gydF4y2Ba 4 × 1向量的均值是多少gydF4y2Ba 是一个4乘4的正定协方差矩阵。gydF4y2Ba
.gydF4y2Ba 而且gydF4y2Ba 分别是逆伽马分布的形状和比例。gydF4y2Ba
这些假设和数据似然暗示了一个正态-逆伽马共轭模型。gydF4y2Ba
为线性回归参数创建一个正态-逆伽马共轭先验模型。指定预测器的数量gydF4y2BapgydF4y2Ba
还有变量名。gydF4y2Ba
P = 3;VarNames = [gydF4y2Ba“他们”gydF4y2Ba“E”gydF4y2Ba“福”gydF4y2Ba];PriorMdl = bayeslm(p,gydF4y2Ba“ModelType”gydF4y2Ba,gydF4y2Ba“共轭”gydF4y2Ba,gydF4y2Ba“VarNames”gydF4y2Ba, VarNames);gydF4y2Ba
MdlgydF4y2Ba
是一个gydF4y2BaconjugateblmgydF4y2Ba
贝叶斯线性回归模型对象表示回归系数和扰动方差的先验分布。gydF4y2Ba
加载Nelson-Plosser数据集。为预测器和响应数据创建变量。拿出最近10个时期的估计数据,这样你就可以用它们来预测真实的GNP。gydF4y2Ba
负载gydF4y2BaData_NelsonPlossergydF4y2BaFHS = 10;gydF4y2Ba%预测视界大小gydF4y2BaX = DataTable{1:(end - fhs), priormll . varnames (2:end)};y = DataTable{1:(end - fhs),gydF4y2Ba“GNPR”gydF4y2Ba};XF = DataTable{(end - fhs + 1):end, priormll . varnames (2:end)};gydF4y2Ba%未来预测数据gydF4y2BayFT = DataTable{(end - fhs + 1):end,gydF4y2Ba“GNPR”gydF4y2Ba};gydF4y2Ba%真实的未来反应gydF4y2Ba
估计边际后验分布。关闭估计显示。gydF4y2Ba
PosteriorMdl =估计(PriorMdl,X,y,gydF4y2Ba“显示”gydF4y2Ba、假);gydF4y2Ba
PosteriorMdlgydF4y2Ba
是一个gydF4y2BaconjugateblmgydF4y2Ba
的后验分布的模型对象gydF4y2Ba
而且gydF4y2Ba
.gydF4y2Ba
利用后验预测分布和未来预测数据预测反应gydF4y2BaXFgydF4y2Ba
.画出响应的真实值和预测值。gydF4y2Ba
yF = forecast(PosteriorMdl,XF);图;情节(日期、DataTable.GNPR);持有gydF4y2Ba在gydF4y2Baplot(date ((end - fhs + 1):end),yF) h = gca;P = patch([dates(end - FHS + 1) dates(end) dates(end) dates(end - FHS + 1)],gydF4y2Ba...gydF4y2Bah.YLim([1,1,2,2]),[0.8 0.8 0.8]);uistack (p,gydF4y2Ba“底”gydF4y2Ba);传奇(gydF4y2Ba“预测地平线”gydF4y2Ba,gydF4y2Ba“真正的GNPR”gydF4y2Ba,gydF4y2Ba“预测GNPR”gydF4y2Ba,gydF4y2Ba“位置”gydF4y2Ba,gydF4y2Ba“西北”gydF4y2Ba)标题(gydF4y2Ba实际国民生产总值:1909 - 1970gydF4y2Ba);ylabel (gydF4y2Ba“rGNP”gydF4y2Ba);包含(gydF4y2Ba“年”gydF4y2Ba);持有gydF4y2Ba从gydF4y2Ba
yFgydF4y2Ba
是与未来预测数据相对应的真实GNP的未来值的10乘1向量。gydF4y2Ba
估计预测均方根误差(RMSE)。gydF4y2Ba
frmse =√(mean((yF - yFT).^2))gydF4y2Ba
Frmse = 25.5397gydF4y2Ba
预测均方根误差是预测精度的相对度量。具体来说,您使用不同的假设来估计几个模型。预测RMSE最低的模型是所比较的模型中表现最好的模型。gydF4y2Ba
利用后验直接预测观测gydF4y2Ba
中的回归模型gydF4y2Ba使用后验预测分布预测响应gydF4y2Ba.gydF4y2Ba
为线性回归参数创建一个正态-逆伽玛半共轭先验模型。指定预测器的数量gydF4y2BapgydF4y2Ba
回归系数的名称。gydF4y2Ba
P = 3;PriorMdl = bayeslm(p,gydF4y2Ba“ModelType”gydF4y2Ba,gydF4y2Ba“semiconjugate”gydF4y2Ba,gydF4y2Ba“VarNames”gydF4y2Ba, (gydF4y2Ba“他们”gydF4y2Ba“E”gydF4y2Ba“福”gydF4y2Ba]);gydF4y2Ba
加载Nelson-Plosser数据集。为响应和预测器系列创建变量。gydF4y2Ba
负载gydF4y2BaData_NelsonPlossergydF4y2BaX = DataTable{:, priormll . varnames (2:end)};y = DataTable{:,gydF4y2Ba“GNPR”gydF4y2Ba};gydF4y2Ba
拿出最近10个时期的估计数据,这样你就可以用它们来预测真实的GNP。关闭估计显示。gydF4y2Ba
FHS = 10;gydF4y2Ba%预测视界大小gydF4y2BaX = DataTable{1:(end - fhs), priormll . varnames (2:end)};y = DataTable{1:(end - fhs),gydF4y2Ba“GNPR”gydF4y2Ba};XF = DataTable{(end - fhs + 1):end, priormll . varnames (2:end)};gydF4y2Ba%未来预测数据gydF4y2BayFT = DataTable{(end - fhs + 1):end,gydF4y2Ba“GNPR”gydF4y2Ba};gydF4y2Ba%真实的未来反应gydF4y2Ba
利用后验预测分布和未来预测数据预测反应gydF4y2BaXFgydF4y2Ba
.指定样本内观测值gydF4y2BaXgydF4y2Ba
而且gydF4y2BaygydF4y2Ba
(MATLAB®构成后验的观察结果)。gydF4y2Ba
yF =预测(PriorMdl,XF,X,y)gydF4y2Ba
yF =gydF4y2Ba10×1gydF4y2Ba491.5404 518.1725 539.0625 566.7594 597.7005 633.4666 644.7270 672.7937 693.5321 678.2268gydF4y2Ba
在进行预测变量选择后预测反应gydF4y2Ba
中的回归模型gydF4y2Ba使用后验预测分布预测响应gydF4y2Ba.gydF4y2Ba
假设这些先验分布gydF4y2Ba = 0,…,3:gydF4y2Ba
,在那里gydF4y2Ba 而且gydF4y2Ba 是独立的标准正态随机变量。因此,系数具有高斯混合分布。假设所有系数都是条件独立的,先验的,但它们依赖于扰动方差。gydF4y2Ba
.gydF4y2Ba 而且gydF4y2Ba 分别是逆伽马分布的形状和比例。gydF4y2Ba
它表示具有离散均匀分布的随机变量-包含状态变量。gydF4y2Ba
执行随机搜索变量选择(SSVS):gydF4y2Ba
为SSVS创建一个具有数据似然共轭先验的贝叶斯回归模型。使用默认设置。gydF4y2Ba
列出最后10期估计数据。gydF4y2Ba
估计边际后验分布。gydF4y2Ba
P = 3;PriorMdl = bayeslm(p,gydF4y2Ba“ModelType”gydF4y2Ba,gydF4y2Ba“mixconjugate”gydF4y2Ba,gydF4y2Ba“VarNames”gydF4y2Ba, (gydF4y2Ba“他们”gydF4y2Ba“E”gydF4y2Ba“福”gydF4y2Ba]);负载gydF4y2BaData_NelsonPlossergydF4y2BaFHS = 10;gydF4y2Ba%预测视界大小gydF4y2BaX = DataTable{1:(end - fhs), priormll . varnames (2:end)};y = DataTable{1:(end - fhs),gydF4y2Ba“GNPR”gydF4y2Ba};XF = DataTable{(end - fhs + 1):end, priormll . varnames (2:end)};gydF4y2Ba%未来预测数据gydF4y2BayFT = DataTable{(end - fhs + 1):end,gydF4y2Ba“GNPR”gydF4y2Ba};gydF4y2Ba%真实的未来反应gydF4y2Barng (1);gydF4y2Ba%用于再现性gydF4y2BaPosteriorMdl =估计(PriorMdl,X,y,gydF4y2Ba“显示”gydF4y2Ba、假);gydF4y2Ba
使用后验预测分布和未来预测数据预测反应gydF4y2BaXFgydF4y2Ba
.画出响应的真实值和预测值。gydF4y2Ba
yF = forecast(PosteriorMdl,XF);图;情节(日期、DataTable.GNPR);持有gydF4y2Ba在gydF4y2Baplot(date ((end - fhs + 1):end),yF) h = gca;HP = patch([dates(end - FHS + 1) dates(end) dates(end) dates(end - FHS + 1)],gydF4y2Ba...gydF4y2Bah.YLim([1,1,2,2]),[0.8 0.8 0.8]);uistack(惠普、gydF4y2Ba“底”gydF4y2Ba);传奇(gydF4y2Ba“预测地平线”gydF4y2Ba,gydF4y2Ba“真正的GNPR”gydF4y2Ba,gydF4y2Ba“预测GNPR”gydF4y2Ba,gydF4y2Ba“位置”gydF4y2Ba,gydF4y2Ba“西北”gydF4y2Ba)标题(gydF4y2Ba实际国民生产总值:1909 - 1970gydF4y2Ba);ylabel (gydF4y2Ba“rGNP”gydF4y2Ba);包含(gydF4y2Ba“年”gydF4y2Ba);持有gydF4y2Ba从gydF4y2Ba
yFgydF4y2Ba
是与未来预测数据相对应的真实GNP的未来值的10乘1向量。gydF4y2Ba
估计预测均方根误差(RMSE)。gydF4y2Ba
frmse =√(mean((yF - yFT).^2))gydF4y2Ba
Frmse = 18.8470gydF4y2Ba
预测均方根误差是预测精度的相对度量。具体来说,您使用不同的假设来估计几个模型。预测RMSE最低的模型是所比较的模型中表现最好的模型。gydF4y2Ba
当您使用SSVS执行贝叶斯回归时,最佳实践是调优超参数。一种方法是在超参数值的网格上估计预测RMSE,并选择使预测RMSE最小化的值。gydF4y2Ba
使用条件后验预测分布预测响应gydF4y2Ba
中的回归模型gydF4y2Ba使用后验预测分布预测响应gydF4y2Ba.gydF4y2Ba
为线性回归参数创建一个正态-逆伽玛半共轭先验模型。指定预测器的数量gydF4y2BapgydF4y2Ba
回归系数的名称。gydF4y2Ba
P = 3;PriorMdl = bayeslm(p,gydF4y2Ba“ModelType”gydF4y2Ba,gydF4y2Ba“semiconjugate”gydF4y2Ba,gydF4y2Ba“VarNames”gydF4y2Ba, (gydF4y2Ba“他们”gydF4y2Ba“E”gydF4y2Ba“福”gydF4y2Ba]);gydF4y2Ba
加载Nelson-Plosser数据集。为响应和预测器系列创建变量。gydF4y2Ba
负载gydF4y2BaData_NelsonPlossergydF4y2BaX = DataTable{:, priormll . varnames (2:end)};y = DataTable{:,gydF4y2Ba“GNPR”gydF4y2Ba};gydF4y2Ba
拿出最近10个时期的估计数据,这样你就可以用它们来预测真实的GNP。关闭估计显示。gydF4y2Ba
FHS = 10;gydF4y2Ba%预测视界大小gydF4y2BaX = DataTable{1:(end - fhs), priormll . varnames (2:end)};y = DataTable{1:(end - fhs),gydF4y2Ba“GNPR”gydF4y2Ba};XF = DataTable{(end - fhs + 1):end, priormll . varnames (2:end)};gydF4y2Ba%未来预测数据gydF4y2BayFT = DataTable{(end - fhs + 1):end,gydF4y2Ba“GNPR”gydF4y2Ba};gydF4y2Ba%真实的未来反应gydF4y2Ba
通过使用给定beta的条件后验预测分布来预测响应gydF4y2Ba
使用未来预测数据gydF4y2BaXFgydF4y2Ba
.指定样本内观测值gydF4y2BaXgydF4y2Ba
而且gydF4y2BaygydF4y2Ba
(MATLAB®构成后验的观察结果)。画出响应的真实值和预测值。gydF4y2Ba
yF =预测(PriorMdl,XF,X,y,gydF4y2Ba“Sigma2”gydF4y2Ba2);图;情节(日期、DataTable.GNPR);持有gydF4y2Ba在gydF4y2Baplot(date ((end - fhs + 1):end),yF) h = gca;HP = patch([dates(end - FHS + 1) dates(end) dates(end) dates(end - FHS + 1)],gydF4y2Ba...gydF4y2Bah.YLim([1,1,2,2]),[0.8 0.8 0.8])gydF4y2Ba
hp =带有属性的补丁:FaceColor: [0.8000 0.8000 0.8000] FaceAlpha: 1 EdgeColor: [0 000] LineStyle: '-' Faces: [1 2 3 4] Vertices: [4x2 double]显示所有属性gydF4y2Ba
uistack(惠普、gydF4y2Ba“底”gydF4y2Ba);传奇(gydF4y2Ba“预测地平线”gydF4y2Ba,gydF4y2Ba“真正的GNPR”gydF4y2Ba,gydF4y2Ba“预测GNPR”gydF4y2Ba,gydF4y2Ba“位置”gydF4y2Ba,gydF4y2Ba“西北”gydF4y2Ba)标题(gydF4y2Ba实际国民生产总值:1909 - 1970gydF4y2Ba);ylabel (gydF4y2Ba“rGNP”gydF4y2Ba);包含(gydF4y2Ba“年”gydF4y2Ba);持有gydF4y2Ba从gydF4y2Ba
估计预测间隔gydF4y2Ba
中的回归模型gydF4y2Ba使用后验预测分布预测响应gydF4y2Ba.gydF4y2Ba
为线性回归参数创建一个正态-逆伽玛半共轭先验模型。指定预测器的数量gydF4y2BapgydF4y2Ba
回归系数的名称。gydF4y2Ba
P = 3;PriorMdl = bayeslm(p,gydF4y2Ba“ModelType”gydF4y2Ba,gydF4y2Ba“semiconjugate”gydF4y2Ba,gydF4y2Ba“VarNames”gydF4y2Ba, (gydF4y2Ba“他们”gydF4y2Ba“E”gydF4y2Ba“福”gydF4y2Ba]);gydF4y2Ba
加载Nelson-Plosser数据集。为响应和预测器系列创建变量。gydF4y2Ba
负载gydF4y2BaData_NelsonPlossergydF4y2BaX = DataTable{:, priormll . varnames (2:end)};y = DataTable{:,gydF4y2Ba“GNPR”gydF4y2Ba};gydF4y2Ba
拿出最近10个时期的估计数据,这样你就可以用它们来预测真实的GNP。关闭估计显示。gydF4y2Ba
FHS = 10;gydF4y2Ba%预测视界大小gydF4y2BaX = DataTable{1:(end - fhs), priormll . varnames (2:end)};y = DataTable{1:(end - fhs),gydF4y2Ba“GNPR”gydF4y2Ba};XF = DataTable{(end - fhs + 1):end, priormll . varnames (2:end)};gydF4y2Ba%未来预测数据gydF4y2BayFT = DataTable{(end - fhs + 1):end,gydF4y2Ba“GNPR”gydF4y2Ba};gydF4y2Ba%真实的未来反应gydF4y2Ba
利用后验预测分布和未来预测数据预测反应及其协方差矩阵gydF4y2BaXFgydF4y2Ba
.指定样本内观测值gydF4y2BaXgydF4y2Ba
而且gydF4y2BaygydF4y2Ba
(MATLAB®构成后验的观察结果)。gydF4y2Ba
[yF,YFCov] = forecast(PriorMdl,XF,X,y);gydF4y2Ba
因为预测后验分布不是解析性的,所以对95%可信区间集的合理近似值是gydF4y2Ba
对所有gydF4y2Ba 在预测范围内。用这个公式估计预测的95%可信区间。gydF4y2Ba
n = sum(all(~isnan([X y]')));cil = yF - norminv(0.975)*√(diag(YFCov));ciu = yF + norminv(0.975)*√(diag(YFCov));gydF4y2Ba
绘制数据、预测和预测间隔。gydF4y2Ba
图;情节(日期(end-30:结束),DataTable.GNPR (end-30:结束));持有gydF4y2Ba在gydF4y2BaH = gca;plot(dates((end - fhs + 1):end),yF) plot(dates((end - fhs + 1):end),[cil ciu],gydF4y2Ba“k——”gydF4y2BaHP = patch([dates(end - FHS + 1) dates(end) dates(end) dates(end - FHS + 1)],gydF4y2Ba...gydF4y2Bah.YLim([1,1,2,2]),[0.8 0.8 0.8]);uistack(惠普、gydF4y2Ba“底”gydF4y2Ba);传奇(gydF4y2Ba“预测地平线”gydF4y2Ba,gydF4y2Ba“真正的GNPR”gydF4y2Ba,gydF4y2Ba“预测GNPR”gydF4y2Ba,gydF4y2Ba...gydF4y2Ba可信区间的gydF4y2Ba,gydF4y2Ba“位置”gydF4y2Ba,gydF4y2Ba“西北”gydF4y2Ba)标题(gydF4y2Ba实际国民生产总值:1909 - 1970gydF4y2Ba);ylabel (gydF4y2Ba“rGNP”gydF4y2Ba);包含(gydF4y2Ba“年”gydF4y2Ba);持有gydF4y2Ba从gydF4y2Ba
输入参数gydF4y2Ba
MdlgydF4y2Ba
- - - - - -gydF4y2Ba标准贝叶斯线性回归模型或预测变量选择模型gydF4y2Ba
conjugateblmgydF4y2Ba
模型对象gydF4y2Ba|gydF4y2BasemiconjugateblmgydF4y2Ba
模型对象gydF4y2Ba|gydF4y2BadiffuseblmgydF4y2Ba
模型对象gydF4y2Ba|gydF4y2BamixconjugateblmgydF4y2Ba
模型对象gydF4y2Ba|gydF4y2BalassoblmgydF4y2Ba
模型对象gydF4y2Ba
标准贝叶斯线性回归模型或预测变量选择模型,在本表中指定为模型对象。gydF4y2Ba
模型对象gydF4y2Ba | 描述gydF4y2Ba |
---|---|
conjugateblmgydF4y2Ba |
所返回的依赖的法向-逆-共轭模型gydF4y2BabayeslmgydF4y2Ba 或gydF4y2Ba估计gydF4y2Ba |
semiconjugateblmgydF4y2Ba |
所返回的独立的法向-逆伽玛半共轭模型gydF4y2BabayeslmgydF4y2Ba |
diffuseblmgydF4y2Ba |
由扩散先验模型返回gydF4y2BabayeslmgydF4y2Ba |
empiricalblmgydF4y2Ba |
先验模型以先验分布的样本为特征,由gydF4y2BabayeslmgydF4y2Ba 或gydF4y2Ba估计gydF4y2Ba |
customblmgydF4y2Ba |
返回的先验分布函数gydF4y2BabayeslmgydF4y2Ba |
mixconjugateblmgydF4y2Ba |
SSVS预测变量选择的依赖的高斯-混合-逆-伽马共轭模型gydF4y2BabayeslmgydF4y2Ba |
mixsemiconjugateblmgydF4y2Ba |
SSVS预测变量选择的独立的高斯-混合-逆伽马半共轭模型gydF4y2BabayeslmgydF4y2Ba |
lassoblmgydF4y2Ba |
由贝叶斯套索回归模型返回gydF4y2BabayeslmgydF4y2Ba |
通常,由返回的模型对象gydF4y2Ba估计gydF4y2Ba
表示边际后验分布。当你用gydF4y2Ba估计gydF4y2Ba
,如果指定条件后验估计,则gydF4y2Ba估计gydF4y2Ba
返回先前的模型。gydF4y2Ba
XFgydF4y2Ba
- - - - - -gydF4y2Ba预测水平预测器数据gydF4y2Ba
数字矩阵gydF4y2Ba
预测水平预测器数据,指定为agydF4y2BanumPeriodsgydF4y2Ba
——- - - - - -gydF4y2BaPriorMdl。NumPredictors
数字矩阵。gydF4y2BanumPeriodsgydF4y2Ba
决定预报水平的长度。的列gydF4y2BaXFgydF4y2Ba
对应于任何其他预测器数据集的列,即,gydF4y2BaXgydF4y2Ba
或者数据用来形成后验分布gydF4y2BaMdlgydF4y2Ba
.gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
XgydF4y2Ba
- - - - - -gydF4y2Ba预测数据gydF4y2Ba
数字矩阵gydF4y2Ba
多元线性回归模型的预测数据,指定为agydF4y2BanumObservationsgydF4y2Ba
——- - - - - -gydF4y2BaPriorMdl。NumPredictors
数字矩阵。gydF4y2BanumObservationsgydF4y2Ba
观察的次数和长度是否一定等于gydF4y2BaygydF4y2Ba
.gydF4y2Ba
如果gydF4y2BaMdlgydF4y2Ba
是后验分布,那么列的gydF4y2BaXgydF4y2Ba
必须对应于预测数据的列,用于估计后验。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
ygydF4y2Ba
- - - - - -gydF4y2Ba响应数据gydF4y2Ba
数值向量gydF4y2Ba
用于多元线性回归模型的响应数据,指定为带有的数值向量gydF4y2BanumObservationsgydF4y2Ba
元素。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
名称-值参数gydF4y2Ba
指定可选参数对为gydF4y2BaName1 = Value1,…,以=家gydF4y2Ba
,在那里gydF4y2Ba的名字gydF4y2Ba
参数名称和gydF4y2Ba价值gydF4y2Ba
对应的值。名称-值参数必须出现在其他参数之后,但对的顺序无关紧要。gydF4y2Ba
在R2021a之前,使用逗号分隔每个名称和值,并将其括起来gydF4y2Ba的名字gydF4y2Ba
在报价。gydF4y2Ba
例子:gydF4y2Ba“Sigma2”,2gydF4y2Ba
指定从给定的扰动方差的条件预测分布进行预测gydF4y2Ba2gydF4y2Ba
.gydF4y2Ba
βgydF4y2Ba
- - - - - -gydF4y2Ba从给定回归系数的条件预测分布中进行预测的回归系数值gydF4y2Ba
空数组(gydF4y2Ba[]gydF4y2Ba
)gydF4y2Ba(默认)|gydF4y2Ba数值列向量gydF4y2Ba
从给定回归系数的条件预测分布中进行预测的回归系数的值,指定为由逗号分隔的对组成gydF4y2Ba“β”gydF4y2Ba
和一个(gydF4y2BaMdl。我ntercept
+gydF4y2BaMdl。NumPredictors
)-by-1的数值向量。当使用后验分布时,gydF4y2Ba预测gydF4y2Ba
预测gydF4y2Ba
,在那里gydF4y2BaygydF4y2Ba
是gydF4y2BaygydF4y2Ba
,gydF4y2BaXgydF4y2Ba
是gydF4y2BaXgydF4y2Ba
,gydF4y2BaβgydF4y2Ba
的值gydF4y2Ba“β”gydF4y2Ba
.如果gydF4y2BaMdl。我ntercept
是gydF4y2Ba真正的gydF4y2Ba
,然后gydF4y2Baβ(1)gydF4y2Ba
对应于模型截距。所有其他值都对应于组成列的预测变量gydF4y2BaXgydF4y2Ba
.gydF4y2Ba
你不能指定gydF4y2BaβgydF4y2Ba
而且gydF4y2BaSigma2gydF4y2Ba
同时进行。gydF4y2Ba
默认情况下,gydF4y2Ba预测gydF4y2Ba
不是从给定的条件预测分布进行预测吗gydF4y2BaβgydF4y2Ba.gydF4y2Ba
例子:gydF4y2Ba“贝塔”,1:3gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
Sigma2gydF4y2Ba
- - - - - -gydF4y2Ba给定扰动方差的条件预测分布对扰动方差的预测值gydF4y2Ba
空数组(gydF4y2Ba[]gydF4y2Ba
)gydF4y2Ba(默认)|gydF4y2Ba正数值标量gydF4y2Ba
从给定扰动方差的条件预测分布中预测扰动方差的值,指定为由逗号分隔的对组成gydF4y2Ba“Sigma2”gydF4y2Ba
和一个正的标量。当使用后验分布时,gydF4y2Ba预测gydF4y2Ba
从gydF4y2Ba
,在那里gydF4y2BaygydF4y2Ba
是gydF4y2BaygydF4y2Ba
,gydF4y2BaXgydF4y2Ba
是gydF4y2BaXgydF4y2Ba
,gydF4y2BaSigma2gydF4y2Ba
的值gydF4y2Ba“Sigma2”gydF4y2Ba
.gydF4y2Ba
你不能指定gydF4y2BaSigma2gydF4y2Ba
而且gydF4y2BaβgydF4y2Ba
同时进行。gydF4y2Ba
默认情况下,gydF4y2Ba预测gydF4y2Ba
的条件预测后验gydF4y2BaσgydF4y2Ba2gydF4y2Ba.gydF4y2Ba
例子:gydF4y2Ba“Sigma2”,1gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
NumDrawsgydF4y2Ba
- - - - - -gydF4y2Ba蒙特卡罗模拟调整样本量gydF4y2Ba
1 e5gydF4y2Ba
(默认)|gydF4y2Ba正整数gydF4y2Ba
蒙特卡罗模拟调整样本量后,指定由逗号分隔的对组成gydF4y2Ba“NumDraws”gydF4y2Ba
一个正整数。gydF4y2Ba预测gydF4y2Ba
实际上吸引gydF4y2Ba燃烧gydF4y2Ba
- - - - - -gydF4y2BaNumDraws *gydF4y2Ba
薄gydF4y2Ba
样本。因此,gydF4y2Ba预测gydF4y2Ba
这是基于gydF4y2BaNumDrawsgydF4y2Ba
样本。有关如何gydF4y2Ba预测gydF4y2Ba
减少完整的蒙特卡罗样本,见gydF4y2Ba算法gydF4y2Ba.gydF4y2Ba
如果gydF4y2BaMdlgydF4y2Ba
是一个gydF4y2BasemiconjugateblmgydF4y2Ba
模型,你指定gydF4y2BaβgydF4y2Ba
或gydF4y2BaSigma2gydF4y2Ba
,然后MATLABgydF4y2Ba®gydF4y2Ba忽略了gydF4y2BaNumDrawsgydF4y2Ba
.gydF4y2Ba
例子:gydF4y2Bae7 NumDraws, 1gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
燃烧gydF4y2Ba
- - - - - -gydF4y2Ba从蒙特卡罗样品开始移除的抽程数gydF4y2Ba
5000gydF4y2Ba
(默认)|gydF4y2Ba负的标量gydF4y2Ba
从蒙特卡罗样本开始删除的绘制数,以减少瞬态效应,指定为逗号分隔的对组成gydF4y2Ba“燃烧”gydF4y2Ba
一个非负标量。有关如何gydF4y2Ba预测gydF4y2Ba
减少完整的蒙特卡罗样本,见gydF4y2Ba算法gydF4y2Ba.gydF4y2Ba
提示gydF4y2Ba
要帮助您指定适当的老化期大小:gydF4y2Ba
通过指定,确定样本中瞬态行为的程度gydF4y2Ba
“燃烧”,0gydF4y2Ba
.gydF4y2Ba通过使用模拟几千个观测值gydF4y2Ba
预测gydF4y2Ba
.gydF4y2Ba绘制轨迹图。gydF4y2Ba
例子:gydF4y2Ba“燃烧”,0gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
薄gydF4y2Ba
- - - - - -gydF4y2Ba蒙特卡罗调整了样本大小乘数gydF4y2Ba
1gydF4y2Ba
(默认)|gydF4y2Ba正整数gydF4y2Ba
蒙特卡罗调整了样本量乘数,指定为逗号分隔对组成gydF4y2Ba“薄”gydF4y2Ba
一个正整数。gydF4y2Ba
实际的蒙特卡罗样本容量是gydF4y2Ba燃烧gydF4y2Ba
+gydF4y2BaNumDrawsgydF4y2Ba
*薄gydF4y2Ba
.丢弃旧版后,gydF4y2Ba预测gydF4y2Ba
丢弃每gydF4y2Ba薄gydF4y2Ba
- - - - - -gydF4y2Ba1gydF4y2Ba
抽取,然后保留下一次抽取。有关如何gydF4y2Ba预测gydF4y2Ba
减少完整的蒙特卡罗样本,见gydF4y2Ba算法gydF4y2Ba.gydF4y2Ba
提示gydF4y2Ba
减少蒙特卡罗样本中潜在的大序列相关性,或减少存储在图中的内存消耗gydF4y2BaMdlgydF4y2Ba
,为指定一个较大的值gydF4y2Ba薄gydF4y2Ba
.gydF4y2Ba
例子:gydF4y2Ba“薄”,5gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
BetaStartgydF4y2Ba
- - - - - -gydF4y2BaMCMC样本回归系数的起始值gydF4y2Ba
数值列向量gydF4y2Ba
马尔可夫链蒙特卡罗(MCMC)样本回归系数的起始值,指定为由逗号分隔的对组成gydF4y2Ba“BetaStart”gydF4y2Ba
和一个数值列向量(gydF4y2BaPriorMdl。拦截gydF4y2Ba
+gydF4y2BaPriorMdl。NumPredictors
)元素。默认情况下,gydF4y2BaBetaStartgydF4y2Ba
为普通最小二乘(OLS)估计。gydF4y2Ba
提示gydF4y2Ba
跑步是一个很好的练习gydF4y2Ba预测gydF4y2Ba
多次使用不同的参数起始值。验证每次运行的解收敛到相似的值。金宝搏官方网站gydF4y2Ba
例子:gydF4y2Ba“BetaStart”,[1;2;3]gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
Sigma2StartgydF4y2Ba
- - - - - -gydF4y2BaMCMC样本扰动方差的起始值gydF4y2Ba
正数值标量gydF4y2Ba
MCMC样本的扰动方差的起始值,指定为逗号分隔的对,由gydF4y2Ba“Sigma2Start”gydF4y2Ba
和一个正的标量。默认情况下,gydF4y2BaSigma2StartgydF4y2Ba
为OLS残差均方误差。gydF4y2Ba
提示gydF4y2Ba
跑步是一个很好的练习gydF4y2Ba预测gydF4y2Ba
多次使用不同的参数起始值。验证每次运行的解收敛到相似的值。金宝搏官方网站gydF4y2Ba
例子:gydF4y2Ba“Sigma2Start”4gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
ReparameterizegydF4y2Ba
- - - - - -gydF4y2BaReparameterization的gydF4y2BaσgydF4y2Ba2gydF4y2Ba日志(gydF4y2BaσgydF4y2Ba2gydF4y2Ba)gydF4y2Ba
假gydF4y2Ba
(默认)|gydF4y2Ba真正的gydF4y2Ba
Reparameterization的gydF4y2BaσgydF4y2Ba2gydF4y2Ba日志(gydF4y2BaσgydF4y2Ba2gydF4y2Ba)进行后验估计和模拟,指定为逗号分隔的对,由gydF4y2Ba“Reparameterize”gydF4y2Ba
和这个表中的一个值。gydF4y2Ba
价值gydF4y2Ba | 描述gydF4y2Ba |
---|---|
假gydF4y2Ba |
预测gydF4y2Ba 不重新参数化gydF4y2BaσgydF4y2Ba2gydF4y2Ba.gydF4y2Ba |
真正的gydF4y2Ba |
预测gydF4y2Ba reparameterizesgydF4y2BaσgydF4y2Ba2gydF4y2Ba日志(gydF4y2BaσgydF4y2Ba2gydF4y2Ba).gydF4y2Ba预测gydF4y2Ba 的函数形式,将结果转换回原始尺度gydF4y2BaPriorMdl。LogPDFgydF4y2Ba .gydF4y2Ba |
提示gydF4y2Ba
的后验估计或模拟过程中遇到数值不稳定性gydF4y2BaσgydF4y2Ba2gydF4y2Ba,然后指定gydF4y2Ba“Reparameterize”,真的gydF4y2Ba
.gydF4y2Ba
例子:gydF4y2Ba“Reparameterize”,真的gydF4y2Ba
数据类型:gydF4y2Ba逻辑gydF4y2Ba
取样器gydF4y2Ba
- - - - - -gydF4y2Ba密度取样器gydF4y2Ba
“切”gydF4y2Ba
(默认)|gydF4y2Ba“大都市”gydF4y2Ba
|gydF4y2Bahmc的gydF4y2Ba
MCMC采样器,指定为逗号分隔的对,由gydF4y2Ba的取样器gydF4y2Ba
和这个表中的一个值。gydF4y2Ba
价值gydF4y2Ba | 描述gydF4y2Ba |
---|---|
“切”gydF4y2Ba |
片取样器gydF4y2Ba |
“大都市”gydF4y2Ba |
随机游走大都会抽样器gydF4y2Ba |
hmc的gydF4y2Ba |
哈密顿蒙特卡罗(HMC)采样器gydF4y2Ba |
提示gydF4y2Ba
为了提高MCMC绘制的质量,调整采样器。gydF4y2Ba
在调用之前gydF4y2Ba
预测gydF4y2Ba
,通过使用指定调优参数及其值gydF4y2BasampleroptionsgydF4y2Ba
.例如,指定切片采样器宽度gydF4y2Ba宽度gydF4y2Ba
使用:gydF4y2Ba选项= sampleroptions(gydF4y2Ba的取样器gydF4y2Ba,gydF4y2Ba“切”gydF4y2Ba,gydF4y2Ba“宽度”gydF4y2Ba、宽度);gydF4y2Ba
指定包含由返回的调优参数规范的对象gydF4y2Ba
sampleroptionsgydF4y2Ba
通过使用gydF4y2Ba“选项”gydF4y2Ba
名称-值对参数。例如,在中使用调优参数规范gydF4y2Ba选项gydF4y2Ba
指定:gydF4y2Ba“选项”,选择gydF4y2Ba
如果指定了HMC采样器,那么最佳实践是至少为某些变量提供梯度。gydF4y2Ba
预测gydF4y2Ba
利用数值计算任何缺失的偏导数(gydF4y2Ba南gydF4y2Ba
值)的梯度向量。gydF4y2Ba
例子:gydF4y2Ba“取样器”,“hmc”gydF4y2Ba
数据类型:gydF4y2Ba字符串gydF4y2Ba
选项gydF4y2Ba
- - - - - -gydF4y2Ba取样器的选择gydF4y2Ba
[]gydF4y2Ba
(默认)|gydF4y2Ba结构数组gydF4y2Ba
采样器选项,指定为逗号分隔的对,由gydF4y2Ba“选项”gydF4y2Ba
和返回的结构数组gydF4y2BasampleroptionsgydF4y2Ba
.使用gydF4y2Ba“选项”gydF4y2Ba
来指定MCMC采样器及其调优参数值。gydF4y2Ba
例子:gydF4y2Ba“选项”,sampleroptions(取样器,hmc)gydF4y2Ba
数据类型:gydF4y2Ba结构体gydF4y2Ba
宽度gydF4y2Ba
- - - - - -gydF4y2Ba典型采样间隔宽度gydF4y2Ba
正数值标量gydF4y2Ba|gydF4y2Ba正数值向量gydF4y2Ba
切片采样器边缘分布中当前值周围的典型采样间隔宽度,指定为逗号分隔的对,由gydF4y2Ba“宽度”gydF4y2Ba
和一个正数值标量或a (gydF4y2BaPriorMdl。拦截gydF4y2Ba
+gydF4y2BaPriorMdl。NumPredictors
+gydF4y2Ba1gydF4y2Ba
)-by-1数值向量的正数值。第一个元素对应于模型截距(如果模型中存在的话)。下一个gydF4y2BaPriorMdl。NumPredictors
元素对应于预测器数据列排序的预测器变量的系数。最后一个元素对应于模型方差。gydF4y2Ba
如果gydF4y2Ba
宽度gydF4y2Ba
是标量吗gydF4y2Ba预测gydF4y2Ba
适用于gydF4y2Ba宽度gydF4y2Ba
对所有gydF4y2BaPriorMdl。NumPredictors
+gydF4y2BaPriorMdl。拦截gydF4y2Ba
+gydF4y2Ba1gydF4y2Ba
边际分布。gydF4y2Ba如果gydF4y2Ba
宽度gydF4y2Ba
是数字向量吗gydF4y2Ba预测gydF4y2Ba
将第一个元素应用到拦截(如果存在),然后应用下一个元素gydF4y2BaPriorMdl。NumPredictors
元素中的回归系数与预测变量相对应gydF4y2BaXgydF4y2Ba
为扰动方差的最后一个元素。gydF4y2Ba如果样本量(gydF4y2Ba
大小(X, 1)gydF4y2Ba
)则小于100gydF4y2Ba宽度gydF4y2Ba
是gydF4y2Ba10gydF4y2Ba
默认情况下。gydF4y2Ba如果样本量至少是100,那么gydF4y2Ba
预测gydF4y2Ba
集gydF4y2Ba宽度gydF4y2Ba
默认为对应后验标准差的向量,假设一个扩散先验模型(gydF4y2BadiffuseblmgydF4y2Ba
).gydF4y2Ba
切片采样器的典型宽度不影响MCMC样本的收敛性。它确实会影响所需函数求值的数量,也就是算法的效率。如果宽度太小,那么算法可以实现过多的函数计算来确定合适的采样宽度。如果宽度太大,那么算法可能不得不将宽度减小到适当的大小,这需要函数计算。gydF4y2Ba
预测gydF4y2Ba
发送gydF4y2Ba宽度gydF4y2Ba
到gydF4y2BaslicesamplegydF4y2Ba
函数。详情请参见gydF4y2BaslicesamplegydF4y2Ba
.gydF4y2Ba
提示gydF4y2Ba
为获得最大的灵活性,请指定切片采样器宽度gydF4y2Ba
宽度gydF4y2Ba
通过使用gydF4y2Ba“选项”gydF4y2Ba
名称-值对参数。例如:gydF4y2Ba“选项”gydF4y2Basampleroptions (gydF4y2Ba的取样器gydF4y2Ba,gydF4y2Ba“切”gydF4y2Ba,gydF4y2Ba“宽度”gydF4y2Ba、宽度)gydF4y2Ba
例子:gydF4y2Ba的“宽度”,(100 * (3,1);10]gydF4y2Ba
输出参数gydF4y2Ba
yFgydF4y2Ba
-预测反应gydF4y2Ba
数值向量gydF4y2Ba
预测的响应(预测分布的平均值),作为a返回gydF4y2BanumPeriodsgydF4y2Ba
-by-1数值向量。行对应于的行gydF4y2BaXFgydF4y2Ba
.gydF4y2Ba
YFCovgydF4y2Ba
-预测分布的协方差矩阵gydF4y2Ba
数字矩阵gydF4y2Ba
预测分布的协方差矩阵,返回为agydF4y2BanumPeriodsgydF4y2Ba
——- - - - - -gydF4y2BanumPeriodsgydF4y2Ba
数字的,对称的,正定矩阵。的行和列对应于的行gydF4y2BayFgydF4y2Ba
.gydF4y2Ba
要获得预测响应的标准偏差向量,请输入gydF4y2Ba√诊断接头(YFCov))gydF4y2Ba
.gydF4y2Ba
限制gydF4y2Ba
如果gydF4y2BaMdlgydF4y2Ba
是一个gydF4y2BaempiricalblmgydF4y2Ba
模型对象,则不能指定gydF4y2BaβgydF4y2Ba
或gydF4y2BaSigma2gydF4y2Ba
.你不能使用经验先验分布从条件预测分布进行预测。gydF4y2Ba
更多关于gydF4y2Ba
贝叶斯线性回归模型gydF4y2Ba
一个gydF4y2Ba贝叶斯线性回归模型gydF4y2Ba处理参数gydF4y2BaβgydF4y2Ba而且gydF4y2BaσgydF4y2Ba2gydF4y2Ba多元线性回归(MLR)模型gydF4y2BaygydF4y2BatgydF4y2Ba=gydF4y2BaxgydF4y2BatgydF4y2BaβgydF4y2Ba+gydF4y2BaεgydF4y2BatgydF4y2Ba作为随机变量。gydF4y2Ba
为次gydF4y2BatgydF4y2Ba= 1,…,gydF4y2BaTgydF4y2Ba:gydF4y2Ba
ygydF4y2BatgydF4y2Ba是观察到的响应。gydF4y2Ba
xgydF4y2BatgydF4y2Ba是一个1 × (gydF4y2BapgydF4y2Ba的观测值的行向量gydF4y2BapgydF4y2Ba预测因子。为了适应模型截距,gydF4y2BaxgydF4y2Ba1gydF4y2BatgydF4y2Ba= 1gydF4y2BatgydF4y2Ba.gydF4y2Ba
βgydF4y2Ba是a (gydF4y2BapgydF4y2Ba的列向量,对应于组成列的变量的回归系数gydF4y2BaxgydF4y2BatgydF4y2Ba.gydF4y2Ba
εgydF4y2BatgydF4y2Ba为均值为0的随机扰动,Cov(gydF4y2BaεgydF4y2Ba) =gydF4y2BaσgydF4y2Ba2gydF4y2Ba我gydF4y2BaTgydF4y2Ba×gydF4y2BaTgydF4y2Ba,而gydF4y2BaεgydF4y2Ba是一个gydF4y2BaTgydF4y2Ba-by-1向量包含所有扰动。这些假设意味着数据的可能性是gydF4y2Ba
ϕgydF4y2Ba(gydF4y2BaygydF4y2BatgydF4y2Ba;gydF4y2BaxgydF4y2BatgydF4y2BaβgydF4y2Ba,gydF4y2BaσgydF4y2Ba2gydF4y2Ba)为带均值的高斯概率密度gydF4y2BaxgydF4y2BatgydF4y2BaβgydF4y2Ba和方差gydF4y2BaσgydF4y2Ba2gydF4y2Ba评估在gydF4y2BaygydF4y2BatgydF4y2Ba;gydF4y2Ba.gydF4y2Ba
在考虑这些数据之前,您需要考虑gydF4y2Ba联合先验分布gydF4y2Ba假设(gydF4y2BaβgydF4y2Ba,gydF4y2BaσgydF4y2Ba2gydF4y2Ba).在贝叶斯分析中,通过使用从数据的似然性中获得的关于参数的信息来更新参数的分布。结果是gydF4y2Ba关节后分布gydF4y2Ba(gydF4y2BaβgydF4y2Ba,gydF4y2BaσgydF4y2Ba2gydF4y2Ba)或gydF4y2Ba条件后验分布gydF4y2Ba参数的。gydF4y2Ba
提示gydF4y2Ba
蒙特卡罗模拟是有变化的。如果gydF4y2Ba
预测gydF4y2Ba
使用蒙特卡洛模拟,那么估计和推断可能会在您调用时发生变化gydF4y2Ba预测gydF4y2Ba
在看似等价的条件下多次。若要重现估计结果,请使用gydF4y2BarnggydF4y2Ba
在调用之前gydF4y2Ba预测gydF4y2Ba
.gydF4y2Ba如果gydF4y2Ba
预测gydF4y2Ba
在使用自定义先验模型估计后验分布时发出错误,然后尝试通过使用调整初始参数值gydF4y2BaBetaStartgydF4y2Ba
或gydF4y2BaSigma2StartgydF4y2Ba
,或者尝试调整声明的log prior函数,然后重构模型。该错误可能表明先验分布的对数为gydF4y2Ba负gydF4y2Ba
在指定的初始值。gydF4y2Ba对于分析难处理模型(经验模型除外)的条件后验预测分布的预测响应,将您的先验模型对象和估计样本数据传递给gydF4y2Ba
预测gydF4y2Ba
.然后,指定gydF4y2BaβgydF4y2Ba
的条件后验进行预测的名称-值对参数gydF4y2BaσgydF4y2Ba2gydF4y2Ba,或指定gydF4y2BaSigma2gydF4y2Ba
的条件后验进行预测的名称-值对参数gydF4y2BaβgydF4y2Ba.gydF4y2Ba
算法gydF4y2Ba
每当gydF4y2Ba
预测gydF4y2Ba
必须估计后验分布(例如,何时gydF4y2BaMdlgydF4y2Ba
代表了先前的分配和你的供给gydF4y2BaXgydF4y2Ba
而且gydF4y2BaygydF4y2Ba
),后验是可分析的,gydF4y2Ba预测gydF4y2Ba
计算贝叶斯估计量的闭形式解。金宝搏官方网站否则,gydF4y2Ba预测gydF4y2Ba
采用蒙特卡罗模拟,利用后验预测分布进行预测。详情请参见gydF4y2Ba后验估计与推断gydF4y2Ba.gydF4y2Ba这张图说明了gydF4y2Ba
预测gydF4y2Ba
的值减少蒙特卡罗样本gydF4y2BaNumDrawsgydF4y2Ba
,gydF4y2Ba薄gydF4y2Ba
,gydF4y2Ba燃烧gydF4y2Ba
.矩形表示从分布中连续抽取。gydF4y2Ba预测gydF4y2Ba
从蒙特卡罗样本中移除白色矩形。剩下的gydF4y2BaNumDrawsgydF4y2Ba
黑色矩形组成蒙特卡罗样本。gydF4y2Ba
版本历史gydF4y2Ba
在R2017a中引入gydF4y2Ba
另请参阅gydF4y2Ba
对象gydF4y2Ba
conjugateblmgydF4y2Ba
|gydF4y2BasemiconjugateblmgydF4y2Ba
|gydF4y2BadiffuseblmgydF4y2Ba
|gydF4y2BaempiricalblmgydF4y2Ba
|gydF4y2BacustomblmgydF4y2Ba
|gydF4y2BamixconjugateblmgydF4y2Ba
|gydF4y2BamixsemiconjugateblmgydF4y2Ba
|gydF4y2BalassoblmgydF4y2Ba
功能gydF4y2Ba
sampleroptionsgydF4y2Ba
|gydF4y2Ba估计gydF4y2Ba
主题gydF4y2Ba
MATLAB命令gydF4y2Ba
你点击了一个对应于这个MATLAB命令的链接:gydF4y2Ba
在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。金宝appgydF4y2Ba
选择网站gydF4y2Ba
选择一个网站,在可用的地方获得翻译的内容,并查看当地的活动和优惠。根据您所在的位置,我们建议您选择:gydF4y2Ba.gydF4y2Ba
您也可以从以下列表中选择一个网站:gydF4y2Ba
如何获得最佳的网站性能gydF4y2Ba
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。gydF4y2Ba
美洲gydF4y2Ba
- 美国拉丁gydF4y2Ba(西班牙语)gydF4y2Ba
- 加拿大gydF4y2Ba(英语)gydF4y2Ba
- 美国gydF4y2Ba(英语)gydF4y2Ba
欧洲gydF4y2Ba
- 比利时gydF4y2Ba(英语)gydF4y2Ba
- 丹麦gydF4y2Ba(英语)gydF4y2Ba
- 德国gydF4y2Ba(德语)gydF4y2Ba
- 西班牙gydF4y2Ba(西班牙语)gydF4y2Ba
- 芬兰gydF4y2Ba(英语)gydF4y2Ba
- 法国gydF4y2Ba(法语)gydF4y2Ba
- 爱尔兰gydF4y2Ba(英语)gydF4y2Ba
- 意大利gydF4y2Ba(意大利语)gydF4y2Ba
- 卢森堡gydF4y2Ba(英语)gydF4y2Ba
- 荷兰gydF4y2Ba(英语)gydF4y2Ba
- 挪威gydF4y2Ba(英语)gydF4y2Ba
- 奥地利gydF4y2Ba(德语)gydF4y2Ba
- 葡萄牙gydF4y2Ba(英语)gydF4y2Ba
- 瑞典gydF4y2Ba(英语)gydF4y2Ba
- 瑞士gydF4y2Ba
- 联合王国gydF4y2Ba(英语)gydF4y2Ba
亚太地区gydF4y2Ba
- 澳大利亚gydF4y2Ba(英语)gydF4y2Ba
- 印度gydF4y2Ba(英语)gydF4y2Ba
- 新西兰gydF4y2Ba(英语)gydF4y2Ba
- 中国gydF4y2Ba
- 日本gydF4y2Ba(日本語)gydF4y2Ba
- 한국gydF4y2Ba(한국어)gydF4y2Ba