预测gydF4y2Ba

贝叶斯线性回归模型的响应预测gydF4y2Ba

折叠所有页面gydF4y2Ba

语法gydF4y2Ba

yF =预测(Mdl,XF)gydF4y2Ba

yF =预测(Mdl,XF,X,y)gydF4y2Ba

yF =预测(gydF4y2Ba___gydF4y2Ba、名称、值)gydF4y2Ba

[yF,YFCov] =预测(gydF4y2Ba___gydF4y2Ba）gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

yFgydF4y2Ba=预测(gydF4y2BaMdlgydF4y2Ba，gydF4y2BaXFgydF4y2Ba）gydF4y2Ba返回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gydF4y2BaMdlgydF4y2Ba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gydF4y2BaMdlgydF4y2Ba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

例子gydF4y2Ba

yFgydF4y2Ba=预测(gydF4y2BaMdlgydF4y2Ba，gydF4y2BaXFgydF4y2Ba，gydF4y2BaXgydF4y2Ba，gydF4y2BaygydF4y2Ba）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gydF4y2BaXgydF4y2Ba以及相应的响应数据gydF4y2BaygydF4y2Ba．gydF4y2Ba

如果gydF4y2BaMdlgydF4y2Ba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gydF4y2BaMdlgydF4y2Ba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

例子gydF4y2Ba

yFgydF4y2Ba=预测(gydF4y2Ba___gydF4y2Ba，gydF4y2Ba名称,值gydF4y2Ba）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gydF4y2BaσgydF4y2Ba^2gydF4y2Ba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。gydF4y2Ba

例子gydF4y2Ba

［gydF4y2BayFgydF4y2Ba，gydF4y2BaYFCovgydF4y2Ba] =预测(gydF4y2Ba___gydF4y2Ba）gydF4y2Ba的协方差矩阵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

全部折叠gydF4y2Ba

使用后验预测分布预测响应gydF4y2Ba

打开实时脚本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

${GNPRgydF4y2Ba}_{tgydF4y2Ba} ＝gydF4y2Ba {βgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{1gydF4y2Ba} {新闻学会gydF4y2Ba}_{tgydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{2gydF4y2Ba} {EgydF4y2Ba}_{tgydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{3.gydF4y2Ba} {或者说是gydF4y2Ba}_{tgydF4y2Ba} +gydF4y2Ba {εgydF4y2Ba}_{tgydF4y2Ba} ．gydF4y2Ba$

对所有gydF4y2Ba $tgydF4y2Ba$ ，gydF4y2Ba ${εgydF4y2Ba}_{tgydF4y2Ba}$ 是一系列均值为0，方差为0的独立高斯扰动吗gydF4y2Ba ${σgydF4y2Ba}^{2gydF4y2Ba}$ ．gydF4y2Ba

假设这些先验分布:gydF4y2Ba

$βgydF4y2Ba |gydF4y2Ba {σgydF4y2Ba}^{2gydF4y2Ba} \simgydF4y2Ba {NgydF4y2Ba}_{4gydF4y2Ba} （gydF4y2Ba 米gydF4y2Ba ，gydF4y2Ba {σgydF4y2Ba}^{2gydF4y2Ba} VgydF4y2Ba ）gydF4y2Ba$ ．gydF4y2Ba $米gydF4y2Ba$ 4 × 1向量的均值是多少gydF4y2Ba $VgydF4y2Ba$ 是一个4乘4的正定协方差矩阵。gydF4y2Ba
${σgydF4y2Ba}^{2gydF4y2Ba} \simgydF4y2Ba 我gydF4y2Ba GgydF4y2Ba （gydF4y2Ba 一个gydF4y2Ba ，gydF4y2Ba BgydF4y2Ba ）gydF4y2Ba$ ．gydF4y2Ba $一个gydF4y2Ba$ 而且gydF4y2Ba $BgydF4y2Ba$ 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 $βgydF4y2Ba$ 而且gydF4y2Ba ${σgydF4y2Ba}^{2gydF4y2Ba}$ ．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

图中包含一个轴对象。标题为“实际国民生产总值:1909 - 1970”的坐标轴对象包含三个类型的对象，即斑块、直线。这些对象代表预测水平，真实GNPR，预测GNPR。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

打开实时脚本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

打开实时脚本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 $kgydF4y2Ba$ = 0,…,3:gydF4y2Ba

${βgydF4y2Ba}_{kgydF4y2Ba} |gydF4y2Ba {σgydF4y2Ba}^{2gydF4y2Ba} ，gydF4y2Ba {γgydF4y2Ba}_{kgydF4y2Ba} ＝gydF4y2Ba {γgydF4y2Ba}_{kgydF4y2Ba} σgydF4y2Ba \sqrt{{VgydF4y2Ba}_{kgydF4y2Ba 1gydF4y2Ba}} {ZgydF4y2Ba}_{1gydF4y2Ba} +gydF4y2Ba （gydF4y2Ba 1gydF4y2Ba -gydF4y2Ba {γgydF4y2Ba}_{kgydF4y2Ba} ）gydF4y2Ba σgydF4y2Ba \sqrt{{VgydF4y2Ba}_{kgydF4y2Ba 2gydF4y2Ba}} {ZgydF4y2Ba}_{2gydF4y2Ba}$ ,在那里gydF4y2Ba ${ZgydF4y2Ba}_{1gydF4y2Ba}$ 而且gydF4y2Ba ${ZgydF4y2Ba}_{2gydF4y2Ba}$ 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
${σgydF4y2Ba}^{2gydF4y2Ba} \simgydF4y2Ba 我gydF4y2Ba GgydF4y2Ba （gydF4y2Ba 一个gydF4y2Ba ，gydF4y2Ba BgydF4y2Ba ）gydF4y2Ba$ ．gydF4y2Ba $一个gydF4y2Ba$ 而且gydF4y2Ba $BgydF4y2Ba$ 分别是逆伽马分布的形状和比例。gydF4y2Ba
${γgydF4y2Ba}_{kgydF4y2Ba} \ingydF4y2Ba ｛gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba 1gydF4y2Ba ｝gydF4y2Ba$ 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

打开实时脚本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 ${σgydF4y2Ba}^{2gydF4y2Ba} ＝gydF4y2Ba 2gydF4y2Ba$ 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

打开实时脚本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

${ygydF4y2Ba}_{}^{ˆgydF4y2Ba}_{我gydF4y2Ba} \pmgydF4y2Ba {zgydF4y2Ba}_{0gydF4y2Ba ．gydF4y2Ba 9gydF4y2Ba 7gydF4y2Ba 5gydF4y2Ba} 年代gydF4y2Ba EgydF4y2Ba （gydF4y2Ba {ygydF4y2Ba}_{}^{ˆgydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba ，gydF4y2Ba$

对所有gydF4y2Ba $我gydF4y2Ba$ 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

图中包含一个轴对象。标题为“实际国民生产总值:1909 - 1970”的坐标轴对象包含5个类型的对象。这些对象代表预测水平，真实GNPR，预测GNPR，可信区间。gydF4y2Ba

输入参数gydF4y2Ba

全部折叠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|gydF4y2Ba`semiconjugateblmgydF4y2Ba`模型对象gydF4y2Ba|gydF4y2Ba`diffuseblmgydF4y2Ba`模型对象gydF4y2Ba|gydF4y2Ba`mixconjugateblmgydF4y2Ba`模型对象gydF4y2Ba|gydF4y2Ba`lassoblmgydF4y2Ba`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gydF4y2Ba`bayeslmgydF4y2Ba`或gydF4y2Ba`估计gydF4y2Ba`
`semiconjugateblmgydF4y2Ba`	所返回的独立的法向-逆伽玛半共轭模型gydF4y2Ba`bayeslmgydF4y2Ba`
`diffuseblmgydF4y2Ba`	由扩散先验模型返回gydF4y2Ba`bayeslmgydF4y2Ba`
`empiricalblmgydF4y2Ba`	先验模型以先验分布的样本为特征，由gydF4y2Ba`bayeslmgydF4y2Ba`或gydF4y2Ba`估计gydF4y2Ba`
`customblmgydF4y2Ba`	返回的先验分布函数gydF4y2Ba`bayeslmgydF4y2Ba`
`mixconjugateblmgydF4y2Ba`	SSVS预测变量选择的依赖的高斯-混合-逆-伽马共轭模型gydF4y2Ba`bayeslmgydF4y2Ba`
`mixsemiconjugateblmgydF4y2Ba`	SSVS预测变量选择的独立的高斯-混合-逆伽马半共轭模型gydF4y2Ba`bayeslmgydF4y2Ba`
`lassoblmgydF4y2Ba`	由贝叶斯套索回归模型返回gydF4y2Ba`bayeslmgydF4y2Ba`

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

除经验模型外的所有模型的选项gydF4y2Ba

全部折叠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 $πgydF4y2Ba （gydF4y2Ba \overset{＾gydF4y2Ba}{ygydF4y2Ba} |gydF4y2Ba ygydF4y2Ba ，gydF4y2Ba XgydF4y2Ba ，gydF4y2Ba βgydF4y2Ba ＝gydF4y2Ba BgydF4y2Ba egydF4y2Ba tgydF4y2Ba 一个gydF4y2Ba ）gydF4y2Ba$ ,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 $πgydF4y2Ba （gydF4y2Ba \overset{＾gydF4y2Ba}{ygydF4y2Ba} |gydF4y2Ba ygydF4y2Ba ，gydF4y2Ba XgydF4y2Ba ，gydF4y2Ba {σgydF4y2Ba}^{2gydF4y2Ba} ＝gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ggydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba 2gydF4y2Ba ）gydF4y2Ba$ ,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gydF4y2BaσgydF4y2Ba^2gydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba“Sigma2”,1gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

除共轭以外的所有模型的选项gydF4y2Ba

全部折叠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

除共轭和经验模型外的所有模型的选项gydF4y2Ba

全部折叠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

自定义模型的选项gydF4y2Ba

全部折叠gydF4y2Ba

`ReparameterizegydF4y2Ba`- - - - - -gydF4y2BaReparameterization的gydF4y2BaσgydF4y2Ba^2gydF4y2Ba日志(gydF4y2BaσgydF4y2Ba^2gydF4y2Ba）gydF4y2Ba
`假gydF4y2Ba`(默认)|gydF4y2Ba`真正的gydF4y2Ba`

Reparameterization的gydF4y2BaσgydF4y2Ba^2gydF4y2Ba日志(gydF4y2BaσgydF4y2Ba^2gydF4y2Ba)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gydF4y2BaσgydF4y2Ba^2gydF4y2Ba．gydF4y2Ba
`真正的gydF4y2Ba`	`预测gydF4y2Ba`reparameterizesgydF4y2BaσgydF4y2Ba^2gydF4y2Ba日志(gydF4y2BaσgydF4y2Ba^2gydF4y2Ba)．gydF4y2Ba`预测gydF4y2Ba`的函数形式，将结果转换回原始尺度gydF4y2Ba`PriorMdl。LogPDFgydF4y2Ba`．gydF4y2Ba

提示gydF4y2Ba

的后验估计或模拟过程中遇到数值不稳定性gydF4y2BaσgydF4y2Ba^2gydF4y2Ba，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`|gydF4y2Ba`hmc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
1. 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
2. 指定包含由返回的调优参数规范的对象gydF4y2BasampleroptionsgydF4y2Ba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

全部折叠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

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gydF4y2BaσgydF4y2Ba^2gydF4y2Ba，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

预测gydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

使用后验预测分布预测响应gydF4y2Ba

利用后验直接预测观测gydF4y2Ba

在进行预测变量选择后预测反应gydF4y2Ba

使用条件后验预测分布预测响应gydF4y2Ba

估计预测间隔gydF4y2Ba

输入参数gydF4y2Ba

`XFgydF4y2Ba`- - - - - -gydF4y2Ba预测水平预测器数据gydF4y2Ba
数字矩阵gydF4y2Ba

`XgydF4y2Ba`- - - - - -gydF4y2Ba预测数据gydF4y2Ba
数字矩阵gydF4y2Ba

`ygydF4y2Ba`- - - - - -gydF4y2Ba响应数据gydF4y2Ba
数值向量gydF4y2Ba

名称-值参数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

`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

`NumDrawsgydF4y2Ba`- - - - - -gydF4y2Ba蒙特卡罗模拟调整样本量gydF4y2Ba
`1 e5gydF4y2Ba`(默认)|gydF4y2Ba正整数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

`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

`BetaStartgydF4y2Ba`- - - - - -gydF4y2BaMCMC样本回归系数的起始值gydF4y2Ba
数值列向量gydF4y2Ba

`Sigma2StartgydF4y2Ba`- - - - - -gydF4y2BaMCMC样本扰动方差的起始值gydF4y2Ba
正数值标量gydF4y2Ba

`ReparameterizegydF4y2Ba`- - - - - -gydF4y2BaReparameterization的gydF4y2BaσgydF4y2Ba^2gydF4y2Ba日志(gydF4y2BaσgydF4y2Ba^2gydF4y2Ba）gydF4y2Ba
`假gydF4y2Ba`(默认)|gydF4y2Ba`真正的gydF4y2Ba`

`取样器gydF4y2Ba`- - - - - -gydF4y2Ba密度取样器gydF4y2Ba
`“切”gydF4y2Ba`(默认)|gydF4y2Ba`“大都市”gydF4y2Ba`|gydF4y2Ba`hmc的gydF4y2Ba`

`选项gydF4y2Ba`- - - - - -gydF4y2Ba取样器的选择gydF4y2Ba
`［］gydF4y2Ba`(默认)|gydF4y2Ba结构数组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

输出参数gydF4y2Ba

`yFgydF4y2Ba`-预测反应gydF4y2Ba
数值向量gydF4y2Ba

`YFCovgydF4y2Ba`-预测分布的协方差矩阵gydF4y2Ba
数字矩阵gydF4y2Ba

限制gydF4y2Ba

更多关于gydF4y2Ba

贝叶斯线性回归模型gydF4y2Ba

提示gydF4y2Ba

算法gydF4y2Ba

版本历史gydF4y2Ba

另请参阅gydF4y2Ba

对象gydF4y2Ba

功能gydF4y2Ba

主题gydF4y2Ba

预测gydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

使用后验预测分布预测响应gydF4y2Ba

利用后验直接预测观测gydF4y2Ba

在进行预测变量选择后预测反应gydF4y2Ba

使用条件后验预测分布预测响应gydF4y2Ba

估计预测间隔gydF4y2Ba

输入参数gydF4y2Ba

XFgydF4y2Ba- - - - - -gydF4y2Ba预测水平预测器数据gydF4y2Ba数字矩阵gydF4y2Ba

XgydF4y2Ba- - - - - -gydF4y2Ba预测数据gydF4y2Ba数字矩阵gydF4y2Ba

ygydF4y2Ba- - - - - -gydF4y2Ba响应数据gydF4y2Ba数值向量gydF4y2Ba

名称-值参数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

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

NumDrawsgydF4y2Ba- - - - - -gydF4y2Ba蒙特卡罗模拟调整样本量gydF4y2Ba1 e5gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

燃烧gydF4y2Ba- - - - - -gydF4y2Ba从蒙特卡罗样品开始移除的抽程数gydF4y2Ba5000gydF4y2Ba(默认)|gydF4y2Ba负的标量gydF4y2Ba

薄gydF4y2Ba- - - - - -gydF4y2Ba蒙特卡罗调整了样本大小乘数gydF4y2Ba1gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

BetaStartgydF4y2Ba- - - - - -gydF4y2BaMCMC样本回归系数的起始值gydF4y2Ba数值列向量gydF4y2Ba

Sigma2StartgydF4y2Ba- - - - - -gydF4y2BaMCMC样本扰动方差的起始值gydF4y2Ba正数值标量gydF4y2Ba

ReparameterizegydF4y2Ba- - - - - -gydF4y2BaReparameterization的gydF4y2BaσgydF4y2Ba2gydF4y2Ba日志(gydF4y2BaσgydF4y2Ba2gydF4y2Ba）gydF4y2Ba假gydF4y2Ba(默认)|gydF4y2Ba真正的gydF4y2Ba

取样器gydF4y2Ba- - - - - -gydF4y2Ba密度取样器gydF4y2Ba“切”gydF4y2Ba(默认)|gydF4y2Ba“大都市”gydF4y2Ba|gydF4y2Bahmc的gydF4y2Ba

选项gydF4y2Ba- - - - - -gydF4y2Ba取样器的选择gydF4y2Ba［］gydF4y2Ba(默认)|gydF4y2Ba结构数组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

输出参数gydF4y2Ba

yFgydF4y2Ba-预测反应gydF4y2Ba数值向量gydF4y2Ba

YFCovgydF4y2Ba-预测分布的协方差矩阵gydF4y2Ba数字矩阵gydF4y2Ba

限制gydF4y2Ba

更多关于gydF4y2Ba

贝叶斯线性回归模型gydF4y2Ba

提示gydF4y2Ba

算法gydF4y2Ba

版本历史gydF4y2Ba

另请参阅gydF4y2Ba

对象gydF4y2Ba

功能gydF4y2Ba

主题gydF4y2Ba

`XFgydF4y2Ba`- - - - - -gydF4y2Ba预测水平预测器数据gydF4y2Ba
数字矩阵gydF4y2Ba

`XgydF4y2Ba`- - - - - -gydF4y2Ba预测数据gydF4y2Ba
数字矩阵gydF4y2Ba

`ygydF4y2Ba`- - - - - -gydF4y2Ba响应数据gydF4y2Ba
数值向量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

`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

`NumDrawsgydF4y2Ba`- - - - - -gydF4y2Ba蒙特卡罗模拟调整样本量gydF4y2Ba
`1 e5gydF4y2Ba`(默认)|gydF4y2Ba正整数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

`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

`BetaStartgydF4y2Ba`- - - - - -gydF4y2BaMCMC样本回归系数的起始值gydF4y2Ba
数值列向量gydF4y2Ba

`Sigma2StartgydF4y2Ba`- - - - - -gydF4y2BaMCMC样本扰动方差的起始值gydF4y2Ba
正数值标量gydF4y2Ba

`ReparameterizegydF4y2Ba`- - - - - -gydF4y2BaReparameterization的gydF4y2BaσgydF4y2Ba^2gydF4y2Ba日志(gydF4y2BaσgydF4y2Ba^2gydF4y2Ba）gydF4y2Ba
`假gydF4y2Ba`(默认)|gydF4y2Ba`真正的gydF4y2Ba`

`取样器gydF4y2Ba`- - - - - -gydF4y2Ba密度取样器gydF4y2Ba
`“切”gydF4y2Ba`(默认)|gydF4y2Ba`“大都市”gydF4y2Ba`|gydF4y2Ba`hmc的gydF4y2Ba`

`选项gydF4y2Ba`- - - - - -gydF4y2Ba取样器的选择gydF4y2Ba
`［］gydF4y2Ba`(默认)|gydF4y2Ba结构数组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

`yFgydF4y2Ba`-预测反应gydF4y2Ba
数值向量gydF4y2Ba

`YFCovgydF4y2Ba`-预测分布的协方差矩阵gydF4y2Ba
数字矩阵gydF4y2Ba