贝叶斯线性回归模型

使用各种回归系数和扰动方差的先验模型进行后验估计、模拟和预测变量选择

贝叶斯线性回归模型将回归系数和扰动方差视为随机变量，而不是固定但未知的量。这一假设导致了一个更灵活的模型和直观的推论。详情请参见贝叶斯线性回归．

要开始贝叶斯线性回归分析，请创建一个标准模型对象，该对象最好地描述您先前对回归系数和扰动方差联合分布的假设。然后，使用模型和数据，您可以估计后验分布的特征，从后验分布进行模拟，或使用预测后验分布预测响应。

或者，您可以通过使用模型对象进行贝叶斯变量选择来执行预测器变量选择。

对象

bayeslm 创建贝叶斯线性回归模型对象

`模拟`	模拟贝叶斯线性回归模型的回归系数和扰动方差
`sampleroptions`	创建马尔科夫链蒙特卡罗(MCMC)采样器选项

`预测`	贝叶斯线性回归模型的响应预测

贝叶斯线性回归
了解贝叶斯分析，以及线性回归的贝叶斯视图与经典视图的区别。
实现贝叶斯线性回归
结合标准贝叶斯线性回归先验模型和数据来估计后验分布特征或进行贝叶斯预测器选择。这两个工作流都产生了非常适合于进一步分析(如预测)的后验模型。
后验估计与模拟诊断
调整马尔可夫链蒙特卡洛样本充分混合和执行先验分布敏感性分析。
为HMC采样器指定梯度
建立一个贝叶斯线性回归模型，利用哈密顿蒙特卡罗抽样器进行有效的后验抽样。
调片采样器的后验估计
改进了一种马尔可夫链蒙特卡罗样本，用于贝叶斯线性回归模型的后验估计和推理。
比较稳健回归技术
使用带有ARIMA误差的回归模型、回归树袋和贝叶斯线性回归来处理有影响的异常值。
贝叶斯套索回归
使用贝叶斯套索回归进行变量选择。
贝叶斯随机搜索变量选择
实现随机搜索变量选择(SSVS)，一种贝叶斯变量选择技术。
替换已删除的估计语法
的估计函数的贝叶斯线性回归模型conjugateblm，semiconjugateblm，diffuseblm，empiricalblm,customblm只返回估计模型和估计汇总表。