mvregress
多元线性回归
语法
描述
例子
面板数据多元回归模型有不同的拦截
适合面板数据多元回归模型,假设不同的拦截和常见的斜坡。
加载示例数据。
负载(“流感”)
数据集的数组流感
包含国家流感疾病预防控制中心估计,九个独立的地区估计基于Google®查询数据。
提取和预测数据的响应。
Y =双(流感(:2:end-1));[n、d] = (Y)大小;x = flu.WtdILI;
的反应Y
九个地区流感估计。每周观测存在一段时间,
= 52。反应的尺寸对应的区域,所以
= 9。的预测因素x
每周的国家流感估计。
情节流感数据,按地区分组。
图;区域= flu.Properties.VarNames (2: end-1);情节(x, Y,“x”)传说(地区,“位置”,“西北”)
多元回归模型 ,在那里 和 ,between-region并发相关 。
有
= 10回归系数估计:九拦截条款和常见的斜率。输入参数X
应该是一个
元胞数组的
——- - - - - -
设计矩阵。
X =细胞(n, 1);为i = 1: n X{我}=[眼睛(d) repmat (X (i), d, 1)];结束(β,σ)= mvregress (X, Y);
β
包含的估计
维系数向量
。
σ
包含的估计
——- - - - - -
variance-covariance矩阵
,
between-region并发的相关性。
画出拟合回归模型。
B =[β(1:d); repmat(β(结束),1 d)];xx = linspace (5, 3.5);适合=[(大小(xx)), xx] * B;图;h =情节(x, Y,“x”xx,适合“- - -”);为i = 1: d组(h (d + i),“颜色”get (h(我),“颜色”));结束传奇(地区,“位置”,“西北”);
图显示每个回归线都有不同的拦截,但相同的斜率。目视检查,一些回归行似乎符合数据比其他人更好。
为面板数据多元回归与不同的斜坡
适合使用最小二乘面板数据多元回归模型,假设不同的拦截和斜坡。
加载示例数据。
负载(“流感”);
数据集的数组流感
包含国家流感疾病预防控制中心估计,九个独立的地区估计基于Google®查询。
提取和预测数据的响应。
Y =双(流感(:2:end-1));[n、d] = (Y)大小;x = flu.WtdILI;
的反应Y
九个地区流感估计。每周观测存在一段时间,
= 52。反应的尺寸对应的区域,所以
= 9。的预测因素x
每周的国家流感估计。
多元回归模型 ,在那里 和 ,between-region并发相关 。
有
= 18回归系数估计:九拦截,斜率和9项。X
是一个
元胞数组的
——- - - - - -
设计矩阵。
X =细胞(n, 1);为i = 1: n X{我}=[眼睛(d) X(我)*眼(d)];结束(β,σ)= mvregress (X, Y,“算法”,“cwls”);
β
包含的估计
维系数向量
。
画出拟合回归模型。
B =[β(1:d);β(d + 1:结束)');xx = linspace (5, 3.5);适合=[(大小(xx)), xx] * B;图;h =情节(x, Y,“x”xx,适合“- - -”);为i = 1: d组(h (d + i),“颜色”get (h(我),“颜色”));结束区域= flu.Properties.VarNames (2: end-1);传奇(地区,“位置”,“西北”);
图显示每个回归线都有不同的截距和斜率。
多元回归的单一设计矩阵
适合使用单一的多元回归模型 ——- - - - - - 所有反应维度设计矩阵。
加载示例数据。
负载(“流感”)
数据集的数组流感
包含国家流感疾病预防控制中心估计,九个独立的地区估计基于Google®查询。
提取和预测数据的响应。
Y =双(流感(:2:end-1));[n、d] = (Y)大小;x = flu.WtdILI;
的反应Y
九个地区流感估计。每周观测存在一段时间,
= 52。反应的尺寸对应的区域,所以
= 9。的预测因素x
每周的国家流感估计。
创建一个
——- - - - - -
设计矩阵X
。添加一个列包含一个常数项的回归。
X =[(大小(X)), X);
多元回归模型
在哪里 和 ,between-region并发相关
有18个回归系数估计:九拦截,斜率和9项。
[β,σ,E, CovB logL] = mvregress (X, Y);
β
包含的估计
——- - - - - -
系数矩阵。σ
包含的估计
——- - - - - -
variance-covariance between-region并发相关性矩阵。E
是一个矩阵的剩余工资。CovB
回归系数的估计variance-covariance矩阵。logL
后的对数似然目标函数的值是最后的迭代。
画出拟合回归模型。
B =β;xx = linspace (5, 3.5);适合=[(大小(xx)), xx] * B;图h =情节(x, Y,“x”xx,适合“- - -”);为i = 1: d组(h (d + i),“颜色”get (h(我),“颜色”))结束区域= flu.Properties.VarNames (2: end-1);传奇(地区,“位置”,“西北”)
图显示每个回归线都有不同的截距和斜率。
输入参数
X
- - - - - -设计矩阵
矩阵|细胞矩阵的数组
多元回归的设计矩阵,指定为一个矩阵或单元矩阵的数组。n的观测数据,K回归系数估计的数量,p预测变量的数量,d在响应变量矩阵维度的数量吗Y
。
如果d= 1,然后指定
X
作为一个单独的n——- - - - - -K设计矩阵。如果d> 1,所有d尺寸有相同的设计矩阵,然后您可以指定
X
作为一个单独的n——- - - - - -p设计矩阵(不是单元阵列)。如果d> 1,所有n观察有相同的设计矩阵,然后您可以指定
X
作为一个包含单个单元阵列d——- - - - - -K设计矩阵。如果d> 1,所有n观察没有相同的设计矩阵,然后指定
X
作为一个单元阵列的长度n包含d——- - - - - -K设计矩阵。
包括回归模型中的常数项,每个设计矩阵应该包含一个列的。
mvregress
对待南
值X
作为缺失值,忽略了行X
用缺失值。
数据类型:单
|双
|细胞
Y
- - - - - -响应变量
矩阵
响应变量指定为一个n——- - - - - -d矩阵。n的观测数据,d响应中维度的数量。当d= 1,mvregress
治疗中的值Y
就像n独立的响应值。
mvregress
对待南
值Y
作为缺失值,处理他们根据指定使用名称-值对参数估计算法算法
。
数据类型:单
|双
名称-值参数
指定可选的双参数作为Name1 = Value1,…,以=家
,在那里的名字
参数名称和吗价值
相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。
R2021a之前,用逗号来分隔每一个名称和值,并附上的名字
在报价。
例子:“算法”、“cwls’,‘covar0’, C
指定covariance-weighted使用协方差矩阵最小二乘估计C
。
算法
- - - - - -估计算法
“mvn”
|ecm的
|“cwls”
估计算法,指定为逗号分隔组成的“算法”
和一个以下。
“mvn” |
普通多元正态最大似然估计。 |
ecm的 |
最大似然估计通过ECM算法。 |
“cwls” |
Covariance-weighted最小二乘估计。 |
默认的算法依赖于存在缺失的数据。
对于完整的数据,默认
“mvn”
。(如果有任何遗漏的响应
南
),缺省值是ecm的
提供了样本容量足够,估计所有参数。否则,默认的算法“cwls”
。
请注意
如果算法
的值“mvn”
,然后mvregress
删除观测与估计之前失踪的响应值。
例子:“算法”、“ecm的
beta0
- - - - - -初步估计回归系数
向量
初步估计回归系数,指定为逗号分隔组成的“beta0”
和一个向量K元素。默认值为0的向量。
的beta0
如果估计参数是不习惯算法
是“mvn”
。
covtype
- - - - - -类型的variance-covariance矩阵
“全部”
(默认)|“对角线”
类型的variance-covariance矩阵估算一下Y
,指定为逗号分隔两人组成的“covtype”
和一个以下。
“全部” |
估计所有d(d+ 1)/ 2 variance-covariance元素。 |
“对角线” |
估计只有dvariance-covariance矩阵的对角元素。 |
例子:“covtype”、“对角线”
outputfcn
- - - - - -函数来评估每个迭代
函数处理
函数来评估在每个迭代中,指定为逗号分隔组成的“outputfcn”
和一个函数处理。函数必须返回一个逻辑真正的
或假
。在每一次迭代,mvregress
评估函数。如果结果是真正的
,迭代停止。否则,迭代继续。例如,您可以指定一个函数,它的情节或显示当前迭代的结果,并返回真正的
如果你关闭图。
函数必须接受三个输入参数,按照这个顺序:
向量的电流系数估计
结构包含这三个字段:
柯伐合金
当前值的variance-covariance矩阵 迭代
当前迭代次数 fval
loglikelihood目标函数的当前值 文本,这三个值:
“init”
只有在函数被调用时,在初始化 “通路”
当迭代后的函数被调用 “完成”
当函数被调用后完成
vartype
- - - - - -类型的variance-covariance矩阵参数估计
“海赛”
(默认)|“雪”
类型的variance-covariance矩阵参数估计,指定为逗号分隔组成的“vartype”
,要么“海赛”
或“雪”
。
如果该值为
“海赛”
,然后mvregress
使用麻绳或观察到的信息,矩阵计算CovB
。如果该值为
“雪”
,然后mvregress
使用完整的数据费雪,或预期信息,矩阵计算CovB
。
的“海赛”
方法考虑了由于缺失数据不确定性增加,虽然“雪”
方法不。
例子:“vartype”、“费雪的
输出参数
β
——估计回归系数
矩阵列向量|
估计回归系数,作为一个列向量或矩阵返回。
如果您指定
X
作为一个单独的n——- - - - - -K设计矩阵,然后mvregress
返回β
一个列向量的长度K。例如,如果X
是一个20-by-5设计矩阵,然后呢β
是一个5-by-1列向量。如果您指定
X
作为一个包含一个或多个单元阵列d——- - - - - -K设计矩阵,然后mvregress
返回β
一个列向量的长度K。例如,如果X
是一种含有2-by-10单元阵列设计矩阵,然后呢β
是一个10-by-1列向量。如果您指定
X
作为一个单独的n——- - - - - -p设计矩阵(不是单元阵列)Y
有尺寸d> 1,那么mvregress
返回β
作为一个p——- - - - - -d矩阵。例如,如果X
是一个20-by-5设计矩阵,然后呢Y
有两个维度,这样吗d= 2,然后β
是一个5×2矩阵和安装吗Y
值是X
×β
。
logL
——Loglikelihood目标函数值
标量值
最后一次迭代后,返回Loglikelihood目标函数值作为一个标量值。
更多关于
多元正态回归
多元正态回归的回归d维响应设计矩阵的预测变量,与正态分布的错误。错误可以异方差的和相关的。
模型是
在哪里
是一个d维向量的反应。
是一个设计矩阵的预测变量。
回归系数向量或矩阵。
是一个d维向量误差,多元正态分布
有条件地估算值
期望/条件最大化(ecm的
)和covariance-weighted最小二乘(“cwls”
)估计算法包括污名失踪的响应值。
让 表示失踪的观察。有条件地估算值的期望值失踪的观察观测数据, 。
失踪的联合分布和观察到的响应是一个多元正态分布,
使用多元正态分布的特性,给出了估算条件期望
请注意
mvregress
只有背景失踪的响应值。观察用缺失值设计矩阵中删除。
引用
[1],罗德里克·j。,唐纳德·b·鲁宾。缺失的数据统计分析。第二版,霍博肯,台北:约翰·威利& Sons Inc ., 2002年。
[2]孟,小李和唐纳德·b·鲁宾。“通过ECM算法的最大似然估计。”生物统计学。2号卷。80年,1993年,页267 - 278。
[3]教堂司事,乔和a·r·斯文森。“ECM算法收敛的速度。”生物统计学。3号卷。87年,2000年,页651 - 662。
[4]的法官,a P。,N。米。laird, and D. B. Rubin. “Maximum Likelihood from Incomplete Data via the EM Algorithm.”英国皇家统计学会杂志》上。系列B, 39卷,1号,1977,pp。1-37。
版本历史
介绍了R2006b
MATLAB命令
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。万博1manbetx
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
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。