mixsemiconjugateblm

贝叶斯线性回归模型与随机搜索变量选择semiconjugate先验（SS VS移至）

在页面中展开所有内容

描述

该贝叶斯线性回归模型宾语mixsemiconjugateblm指定回归系数和扰动方差的联合先验分布(β，σ²)实现科学价值(见[1]和[2]）假设β和σ²是相依随机变量。

通常，当您创建贝叶斯线性回归模型对象时，它只指定线性回归模型的联合先验分布和特征。也就是说，模型对象是一个供进一步使用的模板。具体来说，将数据合并到模型中进行后验分布分析和特征选择，将模型对象和数据传递给合适的对象目标函数。

创建

句法

PriorMdl = mixsemiconjugateblm (NumPredictors)

PriorMdl = mixsemiconjugateblm (NumPredictors、名称、值)

描述

例

PriorMdl= mixsemiconjugateblm (NumPredictors）创建一个贝叶斯线性回归模型对象(PriorMdl)组成的NumPredictors谓词和拦截，并设置NumPredictors财产。的联合先验分布(β，σ²)适用于实施预测器选择的SSVS[2]。PriorMdl是一个定义先验分布和维度的模板吗β。

例

PriorMdl= mixsemiconjugateblm (NumPredictors，名称,值）套属性（除了NumPredictors)使用名称-值对参数。将每个属性名括在引号中。例如,mixsemiconjugateblm(3、“概率”、abs(兰德(4,1)))指定模型中所有四个系数的随机先验状态概率。

属性

全部展开

当您使用的名称 - 值对参数语法创建模型对象，你可以设置可写的属性值，或者在您通过使用点符号模型对象。例如，要从模型中排除截距，输入

PriorMdl。拦截=假;

`NumPredictors`-预测变量数
非负整数

贝叶斯多元线性回归模型中预测变量的个数，指定为非负整数。

NumPredictors必须与预测数据中的列数相同，预测数据是在模型估计或模拟期间指定的。

当指定NumPredictors，为该值排除任何截取项。

在创建模型之后，如果您更改了值NumPredictors使用点符号，然后这些参数恢复到默认值:

变量名(VarNames）
之前说的β（μ）
之前的差异β每一种管理制度（V）
先验相关矩阵β（关联）
先验状态概率(概率）

数据类型:双

`拦截`-包含回归模型截距的标志
`真正的`(默认)|`假`

标志用于包括回归模型截距，指定为在此表中的值。

价值	描述
`假`	从回归模型中排除截距。因此,β是一个`p`维向量，其中`p`是的价值`NumPredictors`。
`真正的`	在回归模型中包含一个截距。因此,β是(`p`+ 1)维向量。此规范导致Ť在估计和仿真过程中，需要在预测数据中加入1的-by-1向量。

如果在预测器数据中包含一列的个位，则设置拦截来假。

例子:“拦截”,假的

数据类型:合乎逻辑

`VarNames`-预测变量名
字符串向量|字符向量的细胞载体

用于显示的预测器变量名，指定为字符串向量或字符向量的单元向量。VarNames必须包含NumPredictors元素。VarNames (Ĵ）变量的名称在列中吗Ĵ在估计、模拟或预测期间指定的预测器数据集的。

默认值是β{β(1),(2),…,β(p)},在那里p是的价值NumPredictors。

例子:'VarNames'，[ “UnemploymentRate”;“CPI”]

数据类型:字符串|细胞|字符

`μ`-高斯混合的逐个分量均值超参数上之前β
`0(拦截+ NumPredictors, 2)`(默认)|数字矩阵

成分上高斯混合先验的均值超参数β,指定为一个(拦截+ NumPredictors)2数字矩阵。第一列包含组件1的先验均值(变量包含机制，即，γ= 1).第二列是第2项的先验均值(变量排除制度，即，γ= 0)。

如果拦截是假，然后μ有NumPredictors行。mixsemiconjugateblm的先验均值NumPredictors在估计、模拟或预测期间指定的预测器数据集中与列对应的系数。
否则,μ有NumPredictors + 1元素。第一个元素对应于截距的先验平均值，所有其他元素对应于预测变量。

小费

若要执行ssv，请使用的默认值为μ。

例子:在3系数模型中，'穆'，[0.5 0;0.5 0;0.5 0]将所有系数的分量1先验均值设为0.5并将所有系数的分量2先验均值设为0。

数据类型:双

`V`-高斯混合的逐个分量的方差超参数上之前β
`repmat([10 0.1]，Intercept + NumPredictors,1)`(默认)|正的数值矩阵

高斯混合先验的成分方差超参数β，一个(拦截+ NumPredictors)-乘2的正数值矩阵。第一列包含第1部分的先验方差因子(变量包含制度，即，γ= 1）。第二列包含组分2（可变排阻制度，即现有方差因子，γ= 0)。

如果拦截是假，然后V有NumPredictors行。mixsemiconjugateblm的先验方差因子NumPredictors在估计、模拟或预测期间指定的预测器数据集中与列对应的系数。
否则,V有NumPredictors + 1元素。第一个元素对应于截距的先验方差因子，其他所有元素对应于预测变量。

小费

要执行ssv，为方案1指定一个比方案2更大的方差因子(对于所有方案)Ĵ,指定V (Ĵ,1)>V (Ĵ,2))。
有关要指定什么值的详细信息V见[1]。

例子:在3系数模型中，“V”, [100 1;100年1;100 (1)设置组件1个之前的所有方差的系数以系数One hundred.和设置组件2之前方差所有系数来因子1。

数据类型:双

`概率`-变量包含和排除制度的先验概率分布
`0.5 * 1(拦截+ NumPredictors, 1)`(默认)|数值向量[0,1]|功能手柄

变量包含和排除制度的先验概率分布，具体为一个(拦截+NumPredictors在[0,1]的值）×1数值向量，或在形式的功能句柄@fcnName,在那里fcnName是函数名。概率表示的先验概率分布γ= {γ₁、……γ_ķ},:

ķ=拦截+NumPredictors，即回归模型中的系数个数。
γ_ķ∈{0,1}ķ=1、……ķ。因此，样品空间具有2的基数^ķ。
γ_ķ= 1表示可变VarNames（ķ）包括在模型中，并γ_ķ= 0表示该变量被排除在模型之外。

如果概率为数值向量:

行对应于in中的变量名VarNames。对于包含截距的模型，截距包含的先验概率为概率(1)。
对于ķ= 1,…,ķ，排除变量的先验概率ķ是1 -概率(ķ)。
变量包含机制的先验概率，在所有变量和截距之间是独立的。

如果概率为函数句柄，则表示变量包含状态概率的自定义先验分布。对应的函数必须有这样的声明语句(参数和函数名可以不同):

logprob = regimeprior (varinc)

logprob是一个数字标量，表示先验分布的日志。你可以把先验分布写成比例常数。
varinc是一个ķ1逻辑向量。元素对应于中的变量名VarNames并指出相应变量存在的状态。varinc (ķ）=真正的表明VarName (ķ）包括在模型中，并varinc (ķ）=假指示它被排除在模型之外。

您可以包括更多的输入参数，但是在调用时必须知道它们mixsemiconjugateblm。

有关指定值的详细信息概率见[1]。

例子:在3系数模型中，'概率'，兰特（3,1）为每个系数分配随机的先验变量包含概率。

数据类型:双|function_handle

`关联`-先验相关矩阵β
`眼（截距+ NumPredictors）`(默认)|数值，正定矩阵

先验相关矩阵β对于混合模型中的两个组件，指定为一个(拦截+NumPredictors)——- (拦截+NumPredictors)数值，正定矩阵。从而得到各分量的先验协方差矩阵Ĵ混合模型为诊断接头(sqrt (V (:,Ĵ）））* *相关性诊断（SQRT（V（:,Ĵ))),在那里V为方差系数矩阵。

行和列对应的变量名VarNames。

默认情况下，回归系数是不相关的，在制度条件。

注意

您可以提供任何适当大小的数字矩阵。然而，如果你的说明不是肯定的，mixsemiconjugateblm发出警告并将您的规范替换为CorrelationPD,地点:

CorrelationPD = 0.5*(Correlation + Correlation.');

小费

有关指定值的详细信息关联见[1]。

数据类型:双

`一个`-逆先验的形状超参数σ²
`3`(默认)|数字标量

逆先验的形状超参数σ²，指定为数值标量。

一个至少-(拦截+ NumPredictors) / 2。

与乙在保持不变的情况下，反伽马分布变得更高更集中一个增加。这个特征称为先验模型σ²更重比后估计中的可能性。

有关反伽马分布的函数形式，请参阅易于分析后验。

例子:“一个”,0.1

数据类型:双

`乙`-逆先验的尺度超参数σ²
`1`(默认)|正标量|`正`

反演先验的尺度参数σ²，指定为正标量或正。

与一个在保持不变的情况下，反伽马分布变得更高更集中乙增加。这个特征称为先验模型σ²更重比后估计中的可能性。

例子:“B”, 5

数据类型:双

对象的功能

`估计`	对贝叶斯线性回归模型进行预测变量选择
`模拟`	模拟贝叶斯线性回归模型的回归系数和扰动方差
`预测`	贝叶斯线性回归模型的预测响应
`情节`	观察贝叶斯线性回归模型参数的先验密度和后验密度
`总结`	用于预测变量选择的贝叶斯线性回归模型的分布汇总统计

例子

全部折叠

为ssv创建先验模型

打开生活的脚本

考虑预测美国实际国民生产总值(gdp)的多元线性回归模型(GNPR)采用工业生产指数的线性组合(IPI)、总就业人数(Ë)和实际工资(或者说是)。

${GNPR}_{Ť} = β_{0} + β_{1} {IPI}_{Ť} + β_{2} Ë_{Ť} + β_{3} {或者说是}_{Ť} + ε_{Ť} 。$

对所有 $Ť$ ， $ε_{Ť}$ 是具有0和方差的平均一系列独立的高斯干扰的 $σ^{2}$ 。

假设这些先验分布 $ķ$ = 0,…,3:

$β_{ķ} | σ^{2} ， γ_{ķ} = γ_{ķ} \sqrt{V_{ķ 1}} ž_{1} + （ 1 - γ_{ķ} ） \sqrt{V_{ķ 2}} ž_{2}$ ,在那里 $ž_{1}$ 和 $ž_{2}$ 是独立的标准正态随机变量。因此，系数呈高斯混合分布。假设所有系数都是先验条件独立的。
$σ^{2} \sim 一世 G （一个，乙）$ 。 $一个$ 和 $乙$ 是一个逆伽马分布的形状和规模，分别。
$γ_{ķ} \in {0 ， 1}$ 它表示具有离散均匀分布的随机变量-包含状态变量。

为ssv创建一个先验模型。指定预测器的数量p。

p = 3;PriorMdl = mixsemiconjugateblm (p);

PriorMdl是一个mixsemiconjugateblm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。mixsemiconjugateblm在命令行显示先前发行版的摘要。

或者，您可以通过传递预测器的数量来为ssv创建一个先验模型bayeslm并设置ModelType名称-值对参数'mixsemiconjugate'。

MdlBayesLM = bayeslm（P，'ModelType'，'mixsemiconjugate'）

MdlBayesLM = mixjugateblm，其属性为:NumPredictors: 3 Intercept: 1 varname: {4x1 cell} Mu: [4x2 double] V: [4x2 double]概率:[4x1 double]相关性:[4x4 double] A: 3b:1 |意味着性病CI95积极分配- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -拦截| 0 2.2472[-5.201,5.201]0.500混合分布β(1)| 0 2.2472[-5.201,5.201]0.500混合分布β(2)| 0 2.2472[-5.201,5.201]0.500混合分布β(3)| 0 2.2472[-5.201,5.201]0.500混合分布Sigma2 | 0.5000 - 0.5000[0.138, 1.616] 1.000搞笑(3.00,1)

Mdl和MdlBayesLM是等效的模型对象。

你可以使用点符号集创建模型的可写的属性值。将回归系数名称对应的变量名。

PriorMdl。VarNames=[“他们”“E”“福”]

PriorMdl = mixjugateblm with properties: NumPredictors: 3 Intercept: 1 varname: {4x1 cell} Mu: [4x2 double] V: [4x2 double]概率:[4x1 double]相关性:[4x4 double] A: 3b:1 |意味着性病CI95积极分配- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -拦截| 0 2.2472[-5.201,5.201]0.500混合分布IPI | 0 2.2472[-5.201, 5.201] 0.500混合分布E | 0 2.2472[-5.201, 5.201] 0.500混合分布WR | 0 2.2472[-5.201, 5.201] 0.500混合分布Sigma2 | 0.5000 - 0.5000[0.138, 1.616] 1.000搞笑(3.00,1)

MATLAB®将变量名与显示器中的回归系数相关联。

绘制先验分布。

情节(PriorMdl);

每个系数的先验分布是两个高斯函数的混合:两个分量的均值都为零，但分量1相对于分量2的方差很大。因此，它们的分布以0为中心穗和板坯外观。

执行变量选择使用的SSVs和默认选项

打开生活的脚本

考虑线性回归模型为ssv创建先验模型。

为执行ssv创建一个先验模型。假设 $β$ 和 $σ^{2}$ 是独立的(半混合模型)。指定预测器的数量p以及回归系数的名称。

p = 3;PriorMdl = mixsemiconjugateblm (p,“VarNames”,[“他们”“E”“福”]）;

显示先验状态概率和先验的高斯混合方差因子 $β$ 。

priorProbabilities =表（PriorMdl.Probability，“RowNames”PriorMdl.VarNames,...“VariableNames”，“概率”）

priorProbabilities =4×1表截获0.5 IPI 0.5 e0.5 WR 0.5的概率

priorV = array2table (PriorMdl.V,“RowNames”PriorMdl.VarNames,...“VariableNames”,[“gammaIs1”“gammaIs0”])

priorV =4×2表的翻译是:gammaIs1 . gammaIs0表示截距10 .1表示IPI 10 .1表示IPI 10 .1表示IPI 10 .1表示WR 10 .1表示WR 10 .1

PriorMdl中存储先验状态概率概率财产和制度差异的因素在V财产。可变夹杂物的默认先验概率为0.5。默认方差因子为每个系数是10可变列入制度和0.01用于可变排阻制度。

加载Nelson-Plosser数据集。为响应和预测器系列创建变量。

加载Data_NelsonPlosserX = DataTable {: PriorMdl.VarNames(2:结束)};y = DataTable {:,“GNPR”};

通过估计的边缘后验分布来实施SSVS $β$ 和 $σ^{2}$ 。因为SS VS移至使用马尔可夫链蒙特卡洛（MCMC），用于估计，设置一个随机数种子繁殖的结果。

rng (1);PosteriorMdl =估计(PriorMdl, X, y);

方法:用10000个MCMC采样抽取观察值:62个预测值:4 |意味着性病CI95积极分配制度- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -拦截| -1.5629 - 2.6816[-7.879,2.703]0.300经验0.5901 IPI | 4.6217 - 0.1222[4.384, 4.865] 1.000经验1 E | 0.0004 - 0.0002[0.000, 0.001] 0.976经验0.0918 WR | 2.6098 - 0.3691[1.889, 3.347] 1.000经验1 Sigma2 | 50.9169 - 9.4955[35.838, 72.707] 1.000经验NaN

PosteriorMdl是一个empiricalblm的后验分布中存储的模型对象 $β$ 和 $σ^{2}$ 考虑到数据。估计显示在命令行边缘后验分布的总结。摘要对应于回归系数和干扰方差，和列的行对应于后验分布的特性。该特性包括：

CI95，其中包含95%贝叶斯均衡可信区间的参数。例如，回归系数的后验概率Ë是在[0.000,0.001]是0.95。
政权，它包含变量夹杂物的边缘后验概率（ $γ = 1$ 一个变量)。例如，后验概率Ë应该包括在模型中的是0.0918。

假设变量政权< 0.1应该从模型中删除，结果表明可以将失业率从模型中排除。

默认情况下,估计平丢弃老化大小5000然而样品，一个好的习惯是检查一个轨迹曲线的绘制的充分混合，缺乏短暂的。绘制轨迹曲线的绘制每个参数。您可以访问绘制一条撰写的分布（属性BetaDraws和Sigma2Draws)使用点符号。

图;为j = 1:(p + 1) subplot(2,2,j);情节(PosteriorMdl.BetaDraws (j,:));标题(sprintf (' % s ',PosteriorMdl.VarNames {j}));结束

图;情节(PosteriorMdl.Sigma2Draws);标题(“Sigma2”);

跟踪曲线表明，吸引似乎拌匀。该图显示没有可检测到短暂或序列相关性，以及吸引不状态之间跳跃。

指定的SSVs自此前政权概率分布

打开脚本

考虑线性回归模型为ssv创建先验模型。

加载Nelson-Plosser数据集。为响应和预测器系列创建变量。将特定于示例的文件添加到MATLAB®路径。

加载Data_NelsonPlosserVarNames = [“他们”“E”“福”];X = DataTable {: VarNames};y = DataTable {:,“GNPR”};路径= fullfile (matlabroot,“例子”，“经济学”，“主要”);让addpath（路径）;

假设如下:

模型中的截距是0。9。
IPI和Ë的概率为0.75。
如果Ë包括在模型中，那么概率是或者说是包括在模型中的是0.9。
如果Ë从模型中排除，那么概率是多少或者说是包括0。25。

声明一个名为priorssvsexample.m:

接受一个逻辑向量，该逻辑向量指示截距和变量是否在模型中(真正的模型包含)。元素1对应于截距，其余元素对应于数据中的变量。
返回一个数字标量，表示所描述的先验状态概率分布的日志。

函数logprior = priorssvsexample (varinc)记录ssv的先验状态概率分布% PRIORSSVSEXAMPLE是一个自定义日志先验状态概率的例子含相关随机变量的ssv的%分布。varinc是表示模型中是否有4个系数的4×1逻辑向量和logPrior是一个数字标量，表示先验的日志状态概率的%分布。％％系数根据这些规则输入模式：% * varinc(1)包含0.9的概率。模型中% * varinc(2)和varinc(3)的概率为0.75。% *如果模型中包含varinc(3)，则模型中包含的% varinc(4)为0.9。％*如果varinc（3）从模型中，然后将排除概率所包括的变容(4)是0.25。logprior =日志（0.9）+ 2 *日志（0.75）+日志（varinc（3）* 0.9 +（1-varinc（3））* 0.25）;结束

priorssvsexample.m是包含在计量经济学工具箱™为例，具体的文件。要访问它，进入编辑priorssvsexample.m在命令行。

为执行ssv创建一个先验模型。假设 $$ \ $公测$ 和 $\σ^ 2美元$ 是独立的(半混合模型)。指定预测器的数量p回归系数的名称，变量包含域的自定义、先验概率分布。

p = 3;PriorMdl = mixsemiconjugateblm (p,“VarNames”,[“他们”“E”“福”),...“概率”，@ priorssvsexample）;

通过估计的边缘后验分布来实施SSVS $$ \ $公测$ 和 $\σ^ 2美元$ 。因为SSVS使用MCMC进行估计，所以设置一个随机数种子来重现结果。

rng (1);PosteriorMdl =估计(PriorMdl, X, y);

方法:用10000个MCMC采样抽取观察值:62个预测值:4 |意味着性病CI95积极分配制度- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -拦截| -1.4658 - 2.6046[-7.781,2.546]0.308经验0.5516 IPI | 4.6227 - 0.1222[4.385, 4.866] 1.000经验1 E | 0.0004 - 0.0002[0.000, 0.001] 0.976经验0.2557 WR | 2.6105 - 0.3692[1.886, 3.346] 1.000经验1 Sigma2 | 50.9621 - 9.4999[35.860, 72.596] 1.000经验NaN

假设，即用变量政权<0.1应该从模型中取出，结果表明，你可以在模型中包含的所有变量。

因为这个例子需要路径要访问特定于示例的文件，请通过删除进行清理路径从MATLAB®路径。

rmpath(路径);

使用后验预测分布预测响应

打开生活的脚本

考虑回归模型为ssv创建先验模型。

执行科学价值:

为ssv创建一个贝叶斯回归模型，其中数据似然部分采用半聚先验。使用默认设置。
从评估中拿出最后10个时期的数据。
估计边缘后验分布。

p = 3;PriorMdl = bayeslm（P，'ModelType'，'mixsemiconjugate'，“VarNames”,[“他们”“E”“福”]）;加载Data_NelsonPlosserfhs = 10;预测层位大小X = DataTable{1:(end - fhs)，PriorMdl.VarNames(2:end)};y = DataTable{1:(end - fhs)，“GNPR”};XF = DataTable{(end - fhs + 1):end,PriorMdl.VarNames(2:end)};今后％的预测数据yFT = DataTable{(end - fhs + 1):end，“GNPR”};%真实未来反应rng (1);%的再现性PosteriorMdl =估计(PriorMdl, X, y,“显示”、假);

预测响应采用后验预测分布和未来预测数据XF。绘制响应的真实值和预测值。

yF =预测(PosteriorMdl XF);图;情节(日期、DataTable.GNPR);持有在plot(date ((end - fhs + 1):end)，yF) h = gca;hp =补丁([日期(结束- fhs + 1)日期(结束)日期(结束)日期(结束)日期(结束- fhs + 1)]，...h.YLim ([1, 1、2、2]), [0.8 0.8 0.8]);uistack(惠普、“底”);传奇(“预测地平线”，“真正的GNPR”，“预测GNPR”，“位置”，“西北”)标题("实际国民生产总值:1909 - 1970 ");ylabel ('rGNP');xlabel（'年');持有从

yF是与未来预测数据相对应的未来实际国民生产总值的10乘1向量。

估计预测均方根误差(RMSE)。

frmse = sqrt(均值((yF - yFT).^2))

frmse = 4.5935

预测RMSE是预测准确度的一个相对度量。具体地说，您可以使用不同的假设来估计几个模型。预测RMSE最低的模型是被比较模型中表现最好的模型。

当您使用ssv执行贝叶斯回归时，最佳实践是优化超参数。一种方法是在超参数值的网格上估计预测RMSE，并选择最小化预测RMSE的值。

选择功能

该bayeslm函数可以为贝叶斯线性回归创建任何支持的先验模型对金宝app象。

参考文献

[1]乔治，E. I.和R. E.麦卡洛克。"通过吉布斯抽样进行变量选择"美国统计协会杂志。第88卷，第423号，1993年，第881-889页。

[2]库普，G.，D.J.普瓦里埃，和J. L.托拜厄斯。贝叶斯计量经济学方法。纽约，纽约:剑桥大学出版社，2007年。

也可以看看

对象

empiricalblm|lassoblm|mixconjugateblm

mixsemiconjugateblm

描述

创建

句法

描述

属性

`NumPredictors`-预测变量数
非负整数

`拦截`-包含回归模型截距的标志
`真正的`(默认)|`假`

`VarNames`-预测变量名
字符串向量|字符向量的细胞载体

`μ`-高斯混合的逐个分量均值超参数上之前β
`0(拦截+ NumPredictors, 2)`(默认)|数字矩阵

小费

`V`-高斯混合的逐个分量的方差超参数上之前β
`repmat([10 0.1]，Intercept + NumPredictors,1)`(默认)|正的数值矩阵

小费

`概率`-变量包含和排除制度的先验概率分布
`0.5 * 1(拦截+ NumPredictors, 1)`(默认)|数值向量[0,1]|功能手柄

`关联`-先验相关矩阵β
`眼（截距+ NumPredictors）`(默认)|数值，正定矩阵

注意

小费

`一个`-逆先验的形状超参数σ²
`3`(默认)|数字标量

`乙`-逆先验的尺度超参数σ²
`1`(默认)|正标量|`正`

对象的功能

例子

为ssv创建先验模型

执行变量选择使用的SSVs和默认选项

指定的SSVs自此前政权概率分布

使用后验预测分布预测响应

更多关于

贝叶斯线性回归模型

随机搜索变量选择

选择功能

参考文献

也可以看看

对象

主题

介绍了在R2018b

计量经济学工具文档

金宝app

用MATLAB建模金融风险的实用指南

mixsemiconjugateblm

描述

创建

句法

描述

属性

NumPredictors-预测变量数非负整数

拦截-包含回归模型截距的标志真正的(默认)|假

VarNames-预测变量名字符串向量|字符向量的细胞载体

μ-高斯混合的逐个分量均值超参数上之前β0(拦截+ NumPredictors, 2)(默认)|数字矩阵

小费

V-高斯混合的逐个分量的方差超参数上之前βrepmat([10 0.1]，Intercept + NumPredictors,1)(默认)|正的数值矩阵

小费

概率-变量包含和排除制度的先验概率分布0.5 * 1(拦截+ NumPredictors, 1)(默认)|数值向量[0,1]|功能手柄

关联-先验相关矩阵β眼（截距+ NumPredictors）(默认)|数值，正定矩阵

注意

小费

一个-逆先验的形状超参数σ23(默认)|数字标量

乙-逆先验的尺度超参数σ21(默认)|正标量|正

对象的功能

例子

为ssv创建先验模型

执行变量选择使用的SSVs和默认选项

指定的SSVs自此前政权概率分布

使用后验预测分布预测响应

更多关于

贝叶斯线性回归模型

随机搜索变量选择

选择功能

参考文献

也可以看看

对象

主题

介绍了在R2018b

计量经济学工具文档

金宝app

用MATLAB建模金融风险的实用指南

`NumPredictors`-预测变量数
非负整数

`拦截`-包含回归模型截距的标志
`真正的`(默认)|`假`

`VarNames`-预测变量名
字符串向量|字符向量的细胞载体

`μ`-高斯混合的逐个分量均值超参数上之前β
`0(拦截+ NumPredictors, 2)`(默认)|数字矩阵

`V`-高斯混合的逐个分量的方差超参数上之前β
`repmat([10 0.1]，Intercept + NumPredictors,1)`(默认)|正的数值矩阵

`概率`-变量包含和排除制度的先验概率分布
`0.5 * 1(拦截+ NumPredictors, 1)`(默认)|数值向量[0,1]|功能手柄

`关联`-先验相关矩阵β
`眼（截距+ NumPredictors）`(默认)|数值，正定矩阵

`一个`-逆先验的形状超参数σ²
`3`(默认)|数字标量

`乙`-逆先验的尺度超参数σ²
`1`(默认)|正标量|`正`