贝叶斯线性回归模型
后评估、模拟和预测变量选择使用各种先验模型的回归系数和扰动方差
贝叶斯线性回归模型对回归系数和扰动方差作为随机变量,而不是固定但未知的数量。这种假设会导致更加灵活的模型和直观的推断。更多细节,请参阅贝叶斯线性回归。
贝叶斯线性回归分析开始,创建一个标准模型对象,最好描述你之前假设的联合分布方差回归系数和干扰。然后,使用模型和数据,你可以估计后验分布的特点,从后验分布模拟,使用预测或预测反应后验分布。
或者,您可以执行预测变量选择通过使用贝叶斯模型对象的变量选择。
对象
功能
主题
- 贝叶斯线性回归
学习贝叶斯线性回归分析和贝叶斯观点如何不同于经典视图。
- 实现贝叶斯线性回归
结合标准前贝叶斯线性回归模型和数据来估计后验分布特征或执行贝叶斯预测选择。两个工作流屈服后的模型,非常适合进一步分析,如预测。
- 后估计和仿真诊断
曲调马尔可夫链蒙特卡罗样品充分混合和执行一个先验分布的敏感性分析。
- 为HMC取样器指定梯度
建立高效的贝叶斯线性回归模型后使用哈密顿蒙特卡罗采样器采样。
- 调整片取样器的后验估计
改进的马尔可夫链蒙特卡罗抽样后贝叶斯线性回归模型的估计和推断。
- 比较稳健回归技术
地址有影响力的离群值使用回归模型与ARIMA错误,袋回归树和贝叶斯线性回归。
- 贝叶斯套索回归
使用贝叶斯套索回归执行变量选择。
- 贝叶斯随机搜索变量的选择
实现随机搜索变量选择(科学),一个贝叶斯变量选择方法。
- 取代了语法的估计
的
估计函数的贝叶斯线性回归模型conjugateblm,semiconjugateblm,diffuseblm,empiricalblm,customblm只返回一个估计模型和评估汇总表。
