このページの翻訳は最新ではありません。ここをクリックして、英語の最新版を参照してください。
既知の共分散を使用した最小二乗解法
x=lscov(A,B)
x=lscov(A、B、w)
x=lscov(A、B、V)
x = lscov (A、B、V, alg)
[x,stdx]=lscov(…)
[x,stdx,mse]=lscov(…)
[x,stdx,mse,S]=lscov(…)
x=lscov(A,B)
は、線形方程式系A*x=B
の通常の最小二乗解を返します。つまり、x
は二乗誤差(B-A*x)“*(B-A*x)
の和を最小にした N行 1.列のベクトルです。ここで、A.
は M行 N列であり、B
は M行 1.列です。B
は M行 K列の行列とすることも可能であり、lscov
はB
の各列に対して 1.つの解を返します。秩(A)
lscov
は基底解を得るためにx
の要素の最大可能数を0に設定します。
W
が正の実数重みのベクトルの長さ Mであるx=lscov(A、B、w)
は、線形方程式A*x=B
に対する重み付き最小二乗解を返します。つまり、x
は(B-A*x)“*diag(w)*(B-A*x)
を最小にします。W
は一般的に回数または逆行列分散を含みます。
v
が M行 M列の実数の対称正定値行列であるx=lscov(A、B、V)
は、v
に比例した共分散行列を使用して,線形方程式A*x=B
に対して、一般化した最小二乗解を返します。つまり、x
は(B-A*x)“*inv(V)*(B-A*x)
を最小化します。
より一般的に、v
は、半正定値になり、lscov
はA*x+T*e=B
に従って、e'*e
を最小化するx
を返します。ここで、最小化はx
とE
以上で,T*T'=V
です。v
が半定値の場合、この問題はB
がA.
とv
を含む場合のみ解をもちます (つまり、B
は[答:]
列の範囲内にあります)。そうでない場合は、lscov
はエラーを返します。
既定の設定では、lscov
はv
のコレスキー分解を計算します。実際は、問題を一般的な最小二乗に変換するため、因子を反転します。しかし、lscov
がv
は半定値であると定義する場合、v
の反転を避けるために、直交分解アルゴリズムを使用します。
x = lscov (A、B、V, alg)
は、v
が行列の場合、x
の計算に使用するアルゴリズムを指定します。alg
は以下の値をもちます。
“乔”
は、v
のコレスキー分解を使用します。
“奥思”
は,直交分解を使用し,v
が悪条件な場合や特異な場合は、より正確になります。しかし、直交分解は計算量が大きくなります。
[x,stdx]=lscov(…)
は、x
の推定標準誤差を返します。A.
がランク落ちの場合、stdx
はx
のゼロ要素に対応する要素内にゼロをもちます。
[x,stdx,mse]=lscov(…)
は、二乗平均誤差を返します。B
が 共分散行列 σ2.v
(または (σ2.)×诊断
(1./W
)) をもつと仮定すると、微卫星
が σ2.の推定値となります。
[x,stdx,mse,S]=lscov(…)
は、x
の推定共分散行列を返します。A.
がランク落ちの場合、s
はx
のゼロの要素に対応する行と列にゼロをもちます。lscov
は、複数の右辺から呼ばれる場合、つまり大小(B, 2) > 1
の場合、s
を返すことができません。
これらの計算値の標準式は、A.
とv
がフル ランクの場合、以下のようになります。
x=库存(A'*库存(V)*A)*A'*库存(V)*B
mse=B'*(投资(V)-投资(V)*A*投资(A'*投资(V)*A)*A'*投资(V))*B./(m-n)
S=库存(A'*库存(V)*A)*mse
stdx=sqrt(诊断)
しかし、lscov
は、より速くより安定なメソッドを使用し、ランク落ちの場合でも適用できます。
lscov
はB
の共分散行列がスケール係数からわかると仮定します。微卫星
は、未知のスケール係数の推定であり、lscov
は、適切に出力s
とstdx
をスケールします。しかし、v
が共分散行列B
であると正確にわかる場合、スケーリングは失敗します。この場合正確な推定を得るには、s
とstdx
をそれぞれ1/mse
とsqrt(1/mse)
で再スケールします。
MATLAB®バックスラッシュ演算子 (\) を使用することで、回帰係数の最小二乗法 (苏丹生命线行动)推定によって、線形回帰を実行することができます。同様の OLS推定を計算するために、lscov
も使用できます。lscov
を使用することによって、これらの係数の標準誤差の推定を計算し、回帰誤差項の標準偏差を推定することもできます。
x1=[.2.5.6.8 1.0 1.1];x2=[.1.3.4.9 1.1.4];X=[1个(尺寸(x1))x1 x2];y=[.17.26.28.23.27.34];a=X\y a=0.1203 0.3284-0.1312[b,se_b,mse]=lscov(X,y)b=0.1203 0.3284-0.1312 se_b=0.0643 0.2267 0.8=0.0015毫秒
相対観測値の重みベクトルを与えて、重み付き最小二乗 (WLS)近似を計算するためにlscov
を使用します。たとえば,信頼性の低い観測値が近似に与える影響を減らしたいとします。
w=[1.1]';[bw,sew_b,msew]=lscov(X,y,w)bw=0.1046 0.4614-0.2621 sew_b=0.0309 0.1152 0.0814 msew=3.4741e-004
観測値の共分散行列を与えて、一般化最小二乗 (GLS)近似を計算するために、lscov
を使用します。たとえば、ユーザーのデータが独立していないとします。
V=0.2*one(长度(x1))+0.8*diag(尺寸(x1));[bg,sew_b,mseg]=lscov(X,y,V)bg=0.1203 0.3284-0.1312 sew_b=0.0672 0.2267 0.1488 mseg=0.0019
OLS、WLS、または GLS近似に対する係数の共分散行列の推定を計算します。係数の標準エラーは、この共分散行列の対角上の値の平方根に等しくなります。
[b,se_b,mse,S]=lscov(X,y);S=0.0041-0.0130 0.0075-0.0130 0.0514-0.0328 0.0075-0.0328 0.0221[se_b sqrt(diag(S))]ans=0.0643 0.0643 0.2267 0.1488 0.1488
ベクトルx
は、(A*x-B)“*inv(V)*(A*x-B)
を最小化します。この問題の古典的な線形代数解法は、次のようになります。
x=库存(A'*库存(V)*A)*A'*库存(V)*B
しかし、lscov
は、A.
の QR分解を代わりに計算し、v
を使用してQ
を修正します。
[1] Strang,G.,应用数学导论,韦尔斯利剑桥,1986年,第398页。