符合贝叶斯数据线性回归模型的参数
PosteriorMdl =估计(PriorMdl, X, y)
PosteriorMdl =估计(PriorMdl, X, y,名称,值)
[PosteriorMdl, estBeta EstBetaCov、estSigma2 estSigma2Var] =估计(___)
[PosteriorMdl, estBeta EstBetaCov、estSigma2 estSigma2Var,总结]=估计(___)
返回的联合后验分布特征的模型β和σ2的贝叶斯线性回归模型。PosteriorMdl
=估计(PriorMdl
,X
,y
)PriorMdl
指定的共同先验分布参数和线性回归模型的结构,X
是预测数据,y
响应数据。PriorMdl
和PosteriorMdl
可能不是相同的对象类型。
生产PosteriorMdl
,估计
“更新”的先验分布参数,它从数据中收集的信息。
南
在数据显示缺失值,估计
使用list-wise删除删除。
(
返回:PosteriorMdl
,estBeta
,EstBetaCov
,estSigma2
,estSigma2Var
)=估计(___)
estBeta
——估计回归系数,即均值向量的后验分布β。
EstBetaCov
——估计协方差矩阵系数的估计,即后验分布的协方差矩阵β。
EstSigma2
——干扰估计方差,即后验分布的均值σ2。
EstSigma2Var
——估计方差的扰动,即后验分布的方差σ2。
(
使用任何输入参数在前面的语法,另外包含返回一个表,对每个参数,后验估计,标准错误,95%可信区间,后验概率参数大于0,如果它存在,后验分布的描述。PosteriorMdl
,estBeta
,EstBetaCov
,estSigma2
,estSigma2Var
,总结
)=估计(___)
加载carsmall
数据集。考虑一个模型,预测汽车的燃油经济性(MPG)鉴于其发动机排量和体重。
负载carsmallx =(位移重量);y = MPG;
回归燃油经济性发动机排量和重量上包括一个拦截获得普通最小二乘(OLS)估计。
Mdl = fitlm (x, y)
Mdl =线性回归模型:y ~ 1 + x1 + x2估计系数:估计SE tStat pValue __________ _____ _________ __________(拦截)46.925 2.0858 22.497 6.0509 e-39 x1 x2 -0.014593 0.0082695 -1.7647 0.080968 -0.0068422 0.0011337 -6.0353 3.3838 e-08数量的观察:94年,错误自由度:91根均方误差:4.09平方:0.747,调整平方0.741 f统计量与常数模型:134年,即使假定值= 7.22
Mdl.MSE
ans = 16.7100
创建一个默认,扩散先验分布预测。
p = 2;PriorMdl = bayeslm (p);
PriorMdl
是一个diffuseblm
模型对象。
估计后验分布使用默认选项。
PosteriorMdl =估计(PriorMdl, x, y);
方法:分析后分布的观测数量:94的预测数量:3 |意味着性病CI95积极分配- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -拦截| 46.9247 - 2.1091[42.782,51.068]1.000吨(46.92、2.09 ^ 2,91)β(1)| -0.0146 - 0.0084[-0.031,0.002]0.040吨(-0.01、0.01 ^ 2,91)β(2)| -0.0068 - 0.0011[-0.009,-0.005]0.000吨(-0.01、0.00 ^ 2,91)Sigma2 | 17.0855 - 2.5905[12.748, 22.866] 1.000搞笑(45.50,0.0013)
PosteriorMdl
是一个conjugateblm
模型对象。
后方法和最小二乘估计系数和标准错误几乎是相同的。同时,后的均值Sigma2
接近OLS MSE。
考虑到多元线性回归模型,预测美国实际国民生产总值(GNPR
)使用工业生产指数的线性组合新闻学会
)、就业总人数(E
),实际工资(或者说是
)。
对所有,是一系列的独立和0的均值和方差高斯干扰吗。假设先验分布:
是一个四维t分布在30度的自由对于每一个组件,相关矩阵C
、位置ct
,和规模圣
。
,形状和规模。%
bayeslm
对待这些假设和相应数据好像可能性后分析棘手。
声明一个MATLAB®函数:
接受的价值观和在一个列向量,hyperparameters和价值观。
之前返回的值的联合分布,给定的值和。
函数logPDF = priorMVTIG (params, ct,圣,景深,C, a, b)% priorMVTIG日志多元t乘以逆伽马密度% priorMVTIG通过params (1: end-1)的多元t密度%为每个组件函数与景深的自由度和积极的%的相关矩阵c priorMVTIG返回产品的日志%计算密度。%%参数:参数值的密度进行计算,一个% m×1数值向量。%% ct:多元t分布组件中心,一个(m - 1) 1%数值向量。元素对应于第一个m - 1的元素%的参数。%%圣:多元t分布组件尺度,(m - 1) 1%数字(m - 1) 1数值向量。对应的元素%的第一个参数的m - 1元素。%%景深:多元t分布的自由度%数值标量或(m - 1) 1数值向量。priorMVTIG扩展%标量,这样景深=景深* 1 (m - 1, 1)。景深的元素%的对应元素params (1: end-1)。%% C:多元t分布的相关矩阵% (m - 1)———(m - 1)对称正定矩阵。行和%的列对应元素params (1: end-1)。%%:逆伽马形状参数,一个积极的数字标量。%% b:逆伽马尺度参数,一个积极的标量。%β= params (1: (end-1));sigma2 = params(结束);tVal =(β- ct)。/圣;mvtDensity = mvtpdf (tVal C景深);igDensity = sigma2 ^ (1) * exp (1 / (sigma2 * b)) /(γ(a) * b ^);logPDF =日志(mvtDensity * igDensity);结束
创建一个匿名函数,操作priorMVTIG
,但只接受参数值并持有hyperparameter值固定任意选择的值。
rng (1);%的再现性景深= 30;V =兰德(4,4);σ= V ' * V;圣=√诊断接头(σ));C = Sigma. /(圣*圣”);ct = -10 *兰德(4,1);= 10 *兰特;b = 10 *兰德;logPDF = @ (params) priorMVTIG (params, ct,圣,景深,C, a, b);
创建一个定制的联合线性回归参数的先验模型。指定数量的预测,p
。同时,指定函数处理priorMVTIG
和变量名。
p = 3;PriorMdl = bayeslm (p,“ModelType”,“自定义”,“LogPDF”logPDF,…“VarNames”,(“他们”“E”“福”]);
PriorMdl
是一个customblm
贝叶斯线性回归模型对象代表回归系数的先验分布和扰动方差。
加载Nelson-Plosser数据集。为响应和预测系列创建变量。
负载Data_NelsonPlosserX = DataTable {: PriorMdl.VarNames(2:结束)};y = DataTable {:,“GNPR”};
估计边际的后验分布和利用哈密顿蒙特卡罗(HMC)取样器。指定图纸10000样品和老化时间的1000了。
PosteriorMdl =估计(PriorMdl, X, y,的取样器,hmc的,“NumDraws”1 e4,…“燃烧”1 e3);
方法:与10000年获得了数量的观察:62年的预测数量:4 |意味着性病CI95积极分配- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -拦截| -23.8627 - 3.1511[-30.065,-17.459]0.000经验IPI | 4.3810 - 0.1088[4.166, 4.594] 1.000经验E | 0.0011 - 0.0002[0.001, 0.002] 1.000经验或者说是| 2.5026 - 0.3360[1.846,3.184]1.000经验Sigma2 | 40.0057 - 6.8285[28.631, 55.557] 1.000经验
PosteriorMdl
是一个empiricalblm
模型对象存储从后验分布。
查看跟踪情节和后的ACF的情节吸引,例如,方差和干扰。不老化期。
图;次要情节(2,1,1)情节(PosteriorMdl.BetaDraws(1001:结束);标题(“跟踪情节——\ beta_1”);包含(“获得画”)ylabel (“模拟指数”次要情节(2,1,2)autocorr (PosteriorMdl.BetaDraws(1001:结束)图;次要情节(2,1,1)情节(PosteriorMdl.Sigma2Draws(1001:结束);标题(“跟踪情节——干扰方差”);包含(“获得画”)ylabel (“模拟指数”次要情节(2,1,2)autocorr (PosteriorMdl.Sigma2Draws(1001:结束)
密度的扰动样本方差似乎混合。
下面的例子使用了相同的数据和上下文估计后用哈密顿蒙特卡罗采样器之前,但假定扩散模型。
线性回归之前创建一个扩散模型参数。指定数量的预测,p
和回归系数的名称。
p = 3;PriorMdl = bayeslm (p,“ModelType”,“扩散”,“VarNames”,(“他们”“E”“福”])
PriorMdl = |意味着性病CI95积极分配- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -拦截| 0正(南南)0.500一个IPI | 0正成正比(南南)0.500比例1 E | 0正(南南)0.500一个WR | 0正成正比(南南)0.500比例一Sigma2 |正正(南南)1.000 1 / Sigma2成正比
PriorMdl
是一个diffuseblm
模型对象。
加载Nelson-Plosser数据集。为响应和预测系列创建变量。
负载Data_NelsonPlosserX = DataTable {: PriorMdl.VarNames(2:结束)};y = DataTable {:,“GNPR”};
估计的条件后验分布考虑到和数据。
(Mdl condPostMeanBeta CondPostCovBeta] =估计(PriorMdl, X, y,…“Sigma2”2);
方法:分析后验分布条件变量:Sigma2固定在2号的观察:62年的预测数量:4 |意味着性病CI95积极分配- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -拦截| -24.2536 - 1.8696 [-27.918,-20.589]0.000 N (-24.25、1.87 ^ 2) IPI | 4.3913 - 0.0301 [4.332, 4.450] 1.000 N E (4.39、0.03 ^ 2) | 0.0011 - 0.0001 [0.001, 0.001] 1.000 N (0.00、0.00 ^ 2) WR | 2.4682 - 0.0743 [2.323, 2.614] 1.000 N (2.47、0.07 ^ 2) Sigma2 | 2 0[2.000, 2.000] 1.000固定值
估计
返回4-by-1意味着向量和4×4的条件后验分布的协方差矩阵鉴于和数据condPostMeanBeta
和CondPostCovBeta
,分别。同时,估计
显示的条件后验分布的摘要。因为这是固定在估计,推断是微不足道的。
显示Mdl
。
Mdl
Mdl = |意味着性病CI95积极分配- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -拦截| 0正(南南)0.500一个IPI | 0正成正比(南南)0.500比例1 E | 0正(南南)0.500一个WR | 0正成正比(南南)0.500比例一Sigma2 |正正(南南)1.000 1 / Sigma2成正比
因为估计
计算条件后验分布,它返回原来的模型之前,不后,在第一个位置的输出参数列表。
估计的条件后验分布考虑到是condPostMeanBeta
。
[~,~,~,condPostMeanSigma2 condPostVarSigma2] =估计(PriorMdl, X, y,…“β”,condPostMeanBeta);
方法:分析后验分布条件变量:β固定数量的观察:2.46823 -24.2536 4.3913 0.00112035 62的预测数量:4 |意味着性病CI95积极分配- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -拦截| -24.2536 0[-24.254,-24.254]0.000固定值IPI | 4.3913 0[4.391, 4.391] 1.000固定值E | 0.0011 0[0.001, 0.001] 1.000固定值WR | 2.4682 0[2.468, 2.468] 1.000固定值Sigma2 | 48.5138 - 9.0088[33.984, 69.098] 1.000搞笑(31.00,0.00069)
估计
返回的条件后验分布的均值和方差鉴于是condPostMeanBeta
和数据condPostMeanSigma2
和CondPostVarSigma2
,分别。显示,推论是微不足道的。
下面的例子使用了相同的数据和上下文估计后用哈密顿蒙特卡罗采样器,而是假定semiconjugate先验模型。
创建一个semiconjugate之前线性回归模型参数。指定数量的预测,p
和回归系数的名称。
p = 3;PriorMdl = bayeslm (p,“ModelType”,“semiconjugate”,…“VarNames”,(“他们”“E”“福”]);
PriorMdl
是一个semiconjugateblm
模型对象。
加载Nelson-Plosser数据集。为响应和预测系列创建变量。
负载Data_NelsonPlosserX = DataTable {: PriorMdl.VarNames(2:结束)};y = DataTable {:,“GNPR”};
估计边际的后验分布和。返回评估汇总表。
rng (1);%的再现性[PosteriorMdl, ~, ~, ~, ~,总结]=估计(PriorMdl, X, y);
方法:吉布斯抽样数量与10000年吸引的观察:62年的预测数量:4 |意味着性病CI95积极分配- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -拦截| -23.9922 - 9.0520[-41.734,-6.198]0.005经验IPI | 4.3929 - 0.1458[4.101, 4.678] 1.000经验E | 0.0011 - 0.0003[0.000, 0.002] 0.999经验或者说是| 2.4711 - 0.3576[1.762,3.178]1.000经验Sigma2 | 46.7474 - 8.4550[33.099, 66.126] 1.000经验
PosteriorMdl
是一个empiricalblm
模型对象,因为边缘后验分布semiconjugate模型分析棘手,所以估计
必须实现一个吉布斯采样器。总结
是一个表包含估计和推断呢估计
显示在命令行。
显示汇总表。
总结
总结表意味着Std = 5 x5 CI95积极分布_____ __________ ________________________ ________ _______拦截-23.992 9.052 -41.734 -6.1976 0.0053“实证”IPI 4.3929 0.14578 4.1011 4.6782 - 1的实证的E 0.0011124 0.00033976 0.00045128 0.0017883 0.9989“实证”或者说是2.4711 0.3576 1.7622 3.1781 1“实证”Sigma2 46.747 8.455 33.099 66.126 1“经验”
访问equi-tailed 95%可信区间的回归系数新闻学会
。
:Summary.CI95 (2)
ans = 4.1011 - 4.6782
PriorMdl
- - - - - -贝叶斯线性回归模型conjugateblm
模型对象|semiconjugateblm
模型对象|diffuseblm
模型对象|empiricalblm
模型对象|customblm
模型对象贝叶斯线性回归模型通常代表一个模型之前,这个表中指定为一个对象。
价值 | 贝叶斯线性回归模型的描述 |
---|---|
conjugateblm 模型对象 |
依赖,normal-inverse-gamma共轭模型返回的bayeslm 或估计 |
semiconjugateblm 模型对象 |
独立,normal-inverse-gamma semiconjugate模型返回的bayeslm |
diffuseblm 模型对象 |
扩散先验模型返回的bayeslm |
empiricalblm 模型对象 |
返回之前之前的样本分布特征模型bayeslm 或估计 |
customblm 模型对象 |
先验分布函数声明返回的bayeslm |
PriorMdl
也可以代表联合后返回的模型估计
,也就是一个conjugateblm
或empiricalblm
模型对象。在这种情况下,估计
“更新”联合后验分布使用的新观察X
和y
。
X
- - - - - -预测数据多元线性回归模型的预测数据,指定为一个numObservations
——- - - - - -PriorMdl.NumPredictors
数字矩阵。numObservations
是观测的数量,必须等于的长度y
。
数据类型:双
y
- - - - - -响应数据响应数据的多元线性回归模型,指定为一个数值向量numObservations
元素。
数据类型:双
指定可选的逗号分隔条名称,值
参数。的名字
参数名称和吗价值
相应的价值。的名字
必须出现在单引号(' '
)。您可以指定几个名称和值对参数在任何顺序Name1, Value1,…,的家
。
“Sigma2”, 2
指定了回归系数估计的条件后验分布的数据和指定的扰动方差2
。
“显示”
- - - - - -命令行标志显示Bayesian-estimator总结真正的
(默认)|假
“薄”
- - - - - -蒙特卡罗调整样本量乘数1
(默认)|正整数蒙特卡罗调整多个样本大小,指定为逗号分隔组成的“薄”
和一个正整数。
实际的蒙特卡罗样本大小燃烧
+NumDraws
*薄
。丢弃老化后,估计
丢弃每薄
- - - - - -1
吸引,然后保留下一个。有关如何估计
减少了蒙特卡罗抽样,明白了算法。
减少潜在的大序列相关性在蒙特卡洛抽样或减少了存储的内存消耗PosteriorMdl
,指定一个较大的值薄
。
例子:“薄”,5
数据类型:双
“BetaStart”
- - - - - -起始的回归系数值马尔可夫链蒙特卡罗样本起始值回归系数的马尔可夫链蒙特卡罗(密度)的样本,指定为逗号分隔组成的“BetaStart”
和一个数字列向量(PriorMdl.Intercept
+PriorMdl.NumPredictors
)元素。默认情况下,BetaStart
普通最小二乘估计。
是一种很好的做法估计
很多时候开始使用不同的参数值。验证解决方案从每个运行收敛于相似金宝搏官方网站的价值观。
例子:“BetaStart”, [1;2;3]
数据类型:双
“Sigma2Start”
- - - - - -获得起始扰动值方差模型样本开始的扰动值获得样本方差,指定为逗号分隔组成的“Sigma2Start”
和积极的数字标量。默认情况下,Sigma2Start
是剩余OLS估计量的均方误差。
是一种很好的做法估计
很多时候开始使用不同的参数值。验证解决方案从每个运行收敛于相似金宝搏官方网站的价值观。
例子:“Sigma2Start”4
数据类型:双
“Reparameterize”
- - - - - -Reparameterizeσ2日志(σ2)假
(默认)|真正的
Reparameterizeσ2日志(σ2)后评估和仿真,指定为逗号分隔组成的“Reparameterize”
在这个表和一个值。
价值 | 描述 |
---|---|
假 |
估计 不reparameterizeσ2。 |
真正的 |
估计 reparameterizesσ2日志(σ2)。估计 将结果返回给原来的规模,不会改变的函数形式PriorMdl.LogPDF 。 |
如果你经验的后评估或模拟数值不稳定σ2,然后指定“Reparameterize”,真的
。
例子:“Reparameterize”,真的
数据类型:逻辑
的取样器
- - - - - -马尔可夫链蒙特卡罗(密度)取样器“切”
(默认)|“大都市”
|“hmc”
密度取样器,指定为逗号分隔组成的的取样器
在这个表和一个值。
价值 | 描述 |
---|---|
“切” |
片取样器 |
“大都市” |
随机漫步都市取样器 |
hmc的 |
哈密顿蒙特卡罗(HMC)取样器 |
增加密度的质量吸引,优化采样器。
在调用之前估计
,指定使用的调优参数及其值sampleroptions
。例如,指定取样器宽度宽度
,使用
选择= sampleroptions (的取样器,“切”,“宽度”、宽度);
指定返回的对象包含调优参数规格sampleroptions
通过使用“选项”
名称-值对的论点。例如,使用的调优参数规格选项
,指定
“选项”,选择
如果你指定HMC取样器,那么一个最佳实践是提供一些变量的梯度,至少。估计
度假村任何缺失的偏导数的数值计算(南
梯度向量的值)。
例子:“取样器”,“hmc”
数据类型:字符串
“选项”
- - - - - -取样器的选择[]
(默认)|结构数组取样器选项,指定为逗号分隔组成的“选项”
和一个结构数组返回sampleroptions
。使用“选项”
获得指定取样器和它的调优参数值。
例子:“选项”,sampleroptions(取样器,hmc)
数据类型:结构体
“宽度”
- - - - - -典型的采样间隔宽度典型的采样间隔宽度约片的当前值的边际分布取样器,指定为逗号分隔组成的“宽度”
和积极的数字标量或(PriorMdl.Intercept
+PriorMdl.NumPredictors
+1
)1数值向量积极的价值观。第一个元素对应于模型拦截,如果一个模型中存在。下一个PriorMdl.NumPredictors
元素对应的系数预测变量预测命令的数据列。最后一个元素对应于模型的方差。
如果宽度
是一个标量,然后呢估计
适用于宽度
对所有PriorMdl.NumPredictors
+PriorMdl.Intercept
+1
边际分布。
如果宽度
是一个数值向量,然后呢估计
第一个元素适用于拦截(如果存在的话)PriorMdl.NumPredictors
元素相对应的回归系数的预测变量X
和最后一个元素干扰方差。
如果样本容量(大小(X, 1)
)小于100,然后宽度
是10
默认情况下。
如果样本容量至少是100,然后,在默认情况下,估计
集宽度
相应的向量后标准差,假设之前扩散模型(diffuseblm
)。
估计
分派宽度
到slicesample
函数。更多细节,请参阅slicesample
。
最大的灵活性,指定取样器宽度宽度
通过使用“选项”
名称-值对的论点。例如:
“选项”sampleroptions (的取样器,“切”,“宽度”、宽度)
典型的片取样器的宽度不影响收敛的样本密度。但是,它确实影响所需的数量评估函数,也就是说,该算法的效率。如果宽度太小,算法可以实现过多的功能评估,以确定适当的采样宽度。如果宽度太大,那么该算法可能要宽度减少到一个适当的大小,需要评估函数。
例子:的“宽度”,(100 * (3,1);10]
PosteriorMdl
——贝叶斯线性回归模型存储分布特征conjugateblm
模型对象|semiconjugateblm
模型对象|diffuseblm
模型对象|empiricalblm
模型对象|customblm
模型对象贝叶斯线性回归模型存储分布特征,作为一个返回conjugateblm
,semiconjugateblm
,diffuseblm
,empiricalblm
,或者一个customblm
模型对象。
如果你不指定的β
或Sigma2
(也就是说,它们的值[]
),然后估计
更新之前的模型使用后可能形成的数据分布。PosteriorMdl
描述后验分布,其对象类型取决于先前的模型类型(PriorMdl
)。
价值 | PriorMdl |
---|---|
conjugateblm 模型对象 |
conjugateblm 或diffuseblm 模型对象 |
empiricalblm 模型对象 |
semiconjugateblm ,empiricalblm ,或customblm 模型对象 |
如果你指定一个β
或Sigma2
,然后PosteriorMdl
=PriorMdl
(也就是说,它们是相同的对象存储相同的属性值)。换句话说,估计
没有更新前模型形成后的模型。然而,estBeta
,EstBetaCov
,estSigma2
,estSigma2Var
,总结
存储条件后验估计。
有关支持易于分析的后验分布,明金宝app白了易于分析后验。
总结
——贝叶斯估计的总结摘要贝叶斯估计,作为一个表返回。总结
包含相同的信息,评估总结的显示(显示
)。行对应参数和列对应:
估计后的意思(的意思是
)
标准错误(性病
)
equal-tailed 95%可信区间(CI95
)
后验概率参数大于0 (积极的
)
边际的描述或条件参数的后验分布(分布
)
行名称的名称PriorMdl.VarNames
,最后一行的名字Sigma2
。
另外,通过PosteriorMdl
来总结
。
数据类型:表
如果PriorMdl
是一个empiricalblm
模型对象,那么你不能指定β
或Sigma2
。也就是说,您不能使用实证估计条件后验分布先验分布。
一个贝叶斯线性回归模型将参数β和σ2看不到在多元线性回归(MLR)模型yt=xtβ+εt为随机变量。
为次t= 1,…,T:
yt是观察到的反应。
xt是一个1 - (p+ 1)的观测值的行向量p预测因子。为了适应拦截模型,x1t= 1为所有t。
β是(p+ 1)1列向量回归系数对应的变量组成的列xt。
εt的随机干扰有均值是零和浸(ε)=σ2我T×T,而ε是一个T1向量包含所有干扰。这些假设可能是意味着数据
考虑到数据之前,联合先验分布假设是对(β,σ2)。在贝叶斯分析,信仰的分布参数更新使用信息参数从数据的可能性。结果是联合后验分布(β,σ2)或条件后验分布的参数。
蒙特卡罗模拟是可能变更。也就是说,如果估计
使用蒙特卡罗模拟,那么当你叫估计和推断可能有所不同估计
在看似同等条件下多次。复制估算结果,设置一个随机数种子使用rng
在调用之前估计
。
如果估计
抛出一个错误估计后验分布时使用自定义模型之前,然后试着调整初始参数值使用BetaStart
或Sigma2Start
之前,或者尝试调整宣布日志功能,然后重构模型。错误可以表明日志的先验分布负
在指定的初始值。
你点击一个链接对应MATLAB命令:
运行该命令通过输入MATLAB命令窗口。Web浏览器不支持MATLAB命令。金宝app
你也可以从下面的列表中选择一个网站:
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。