mixconjugateblm

随机搜索变量选择的共轭先验贝叶斯线性回归模型

全部展开页面

描述

的贝叶斯线性回归模型对象mixconjugateblm表示回归系数与扰动方差的联合先验分布(β，σ²)以实施科学价值(见［1］和[2])假设β和σ²都是相关随机变量。

一般来说，当您创建贝叶斯线性回归模型对象时，它只指定线性回归模型的联合先验分布和特征。也就是说，模型对象是一个用于进一步使用的模板。具体而言，将数据纳入模型进行后验分布分析和特征选择，将模型对象和数据传递给相应的对象目标函数。

创建

语法

PriorMdl = mixconjugateblm(NumPredictors)

PriorMdl = mixconjugateblm(NumPredictors,Name,Value)

描述

例子

PriorMdl= mixconjugateblm (NumPredictors）创建一个贝叶斯线性回归模型对象(PriorMdl由…组成NumPredictors预测器和截距，并设置NumPredictors财产。的联合先验分布β，σ²)适用于实现SSVS进行预测器选择[2]。PriorMdl是定义先验分布和维数的模板吗β。

例子

PriorMdl= mixconjugateblm (NumPredictors，名称,值）集属性(除了NumPredictors)，使用名称-值对参数。将每个属性名称用引号括起来。例如,mixconjugateblm(3、“概率”、abs(兰德(4,1)))指定模型中所有四个系数的随机先验区域概率。

属性

全部展开

您可以在使用名称-值对参数语法创建模型对象时设置可写属性值，或者在使用点表示法创建模型对象之后设置可写属性值。例如，要从模型中排除一个截距，请输入

PriorMdl。拦截=假;

`NumPredictors`- - - - - -预测变量数量
非负整数

贝叶斯多元线性回归模型中的预测变量数，指定为非负整数。

NumPredictors必须与您在模型估计或模拟期间指定的预测器数据中的列数相同。

当指定NumPredictors，排除该值的任何截取项。

在创建模型之后，如果您更改的值NumPredictors使用点表示法，然后这些参数恢复为默认值:

变量名称(VarNames）
的先验平均值β（μ）
的先验方差β对于每个政权(V）
的先验相关矩阵β（相关）
先前状态概率(概率）

数据类型:双

`拦截`- - - - - -包含回归模型截距的标志
`真正的`(默认)|`假`

包含回归模型截距的标志，在该表中指定为一个值。

价值	描述
`假`	从回归模型中排除一个截距。因此,β是一个`p`-维向量，其中`p`的值是`NumPredictors`。
`真正的`	在回归模型中包含一个截距。因此,β是吗?`p`+ 1)维向量。此规范导致T在估计和模拟过程中，预加到预测器数据的1乘1向量。

如果在一个截距项的预测数据中包含一列1，则设置拦截来假。

例子:“拦截”,假的

数据类型:逻辑

`VarNames`- - - - - -预测变量名称
字符串向量|字符向量的细胞向量

显示的预测变量名，指定为字符串向量或字符向量的单元向量。VarNames必须包含NumPredictors元素。VarNames (j）变量的名称在列中吗j您在估计、模拟或预测期间指定的预测器数据集的。

默认值为β{β(1),(2),…,β(p)},在那里p的值是NumPredictors。

例子:“VarNames”,(“失业率会”;“CPI”)

数据类型:字符串|细胞|字符

`μ`- - - - - -先验高斯混合的分量平均超参数β
`0 (Intercept + NumPredictors,2)`(默认)|数字矩阵

先验高斯混合的分量平均超参数β，指明为一个(截距+ NumPredictors) × 2数值矩阵。第一列包含成分1的先验均值(变量包含机制，即，γ= 1)。第二列包含分量2的先验均值(变量排除机制，即γ= 0)。

如果拦截是假,然后μ有NumPredictors行。mixconjugateblm的先验均值NumPredictors与预测器数据集中的列相对应的系数，在估计、模拟或预测期间指定。
否则,μ有NumPredictors + 1元素。第一个元素对应于截距的先验均值，所有其他元素对应于预测变量。

提示

如果使用SSVS，请使用缺省值μ。

例子:在3系数模型中，“亩”,[0.5 0;0.5 0;0.5 0]设置所有系数的分量1先验均值为0.5将所有系数的先验均值设为0。

数据类型:双

`V`- - - - - -高斯混合先验分量方差因子超参数β
`repmat([100.1]，Intercept + NumPredictors,1)`(默认)|正数矩阵

先验高斯混合的分量方差因子超参数β，一个(截距+ NumPredictors) × 2正数矩阵。第一列包含成分1的先验方差因子(变量包含制度，即，γ= 1)。第二列包含成分2的先验方差因子(变量排除机制，即γ= 0)。无论制度或系数如何，系数的先验方差是方差因子乘以σ²。

如果拦截是假,然后V有NumPredictors行。mixconjugateblm的先验方差因子NumPredictors与预测器数据集中的列相对应的系数，在估计、模拟或预测期间指定。
否则,V有NumPredictors + 1元素。第一个元素对应于截距的先验方差因子，所有其他元素对应于预测变量。

提示

为了执行SSVS，为制度1指定一个比制度2更大的方差因子(对所有人来说)j,指定V (j, 1)>V (j，2))。
有关要指定的值的详细信息V,请参阅［1］。

例子:在3系数模型中，“V”,[100 1;100年1;100 (1)将所有系数的分量1先验方差因子设为One hundred.并将所有系数的分量2先验方差因子设为1。

数据类型:双

`概率`- - - - - -变量包含和排除机制的先验概率分布
`0.5*ones(Intercept + NumPredictors,1)`(默认)|[0,1]中的数值向量|函数处理

变量包含和排除机制的先验概率分布，指定为一个(拦截+NumPredictors) × 1的数值向量，包含[0,1]中的值，或形式的函数句柄@fcnName,在那里fcnName是函数名。概率表示的先验概率分布γ= {γ₁、……γ_K},:

K=拦截+NumPredictors，即回归模型中系数的个数。
γ_k∈{0,1}fork=1、……K。因此，样本空间的基数为2^K。
γ_k= 1表示变量VarNames（k）包含在模型中，并且γ_k= 0表示该变量被排除在模型之外。

如果概率是一个数值向量:

中的变量名对应VarNames。对于包含截距的模型，截距包含的先验概率为概率(1)。
为k= 1,…,K，为排除变量的先验概率k是1 -概率(k)。
在所有变量和截距之间，变量包含体系的先验概率是独立的。

如果概率是一个函数句柄，则它表示变量包含状态概率的自定义先验分布。对应的函数必须有这样的声明语句(参数和函数名可以不同):

Logprob = regimeprior(变)

logprob是表示先验分布的对数的数字标量。你可以把先验分布写成比例常数。
varinc是一个K-by-1逻辑向量。元素对应的变量名VarNames并指出相应变量所处的状态。varinc (k）=真正的表明VarName (k）包含在模型中，并且varinc (k）=假指示它被排除在模型之外。

您可以包含更多的输入参数，但是在调用时必须知道它们mixconjugateblm。

有关要指定的值的详细信息概率,请参阅［1］。

例子:在3系数模型中，“概率”,兰德(3,1)为每个系数分配随机先验变量包含概率。

数据类型:双|function_handle

`相关`- - - - - -的先验相关矩阵β
`eye(Intercept + NumPredictors)`(默认)|数值正定矩阵

的先验相关矩阵β对于混合模型中的两个组件，指定为一个(拦截+NumPredictors)——- (拦截+NumPredictors)数字的，正定的矩阵。因此，分量的先验协方差矩阵j在混合模型中是sigma2 *诊断接头(sqrt (V (:,j))) *相关性*诊断接头(sqrt (V (:,j）））,在那里sigma2是σ²和V是系数方差因子的矩阵。

中的行和列对应于变量名VarNames。

默认情况下，回归系数是不相关的，取决于制度。

请注意

您可以提供任何适当大小的数字矩阵。但是，如果您的说明不是肯定的，mixconjugateblm发出警告并将您的规范替换为CorrelationPD,地点:

CorrelationPD = 0.5*(Correlation + Correlation.');

有关要指定的值的详细信息相关,请参阅［1］。

数据类型:双

`一个`- - - - - -逆先验的形状超参数σ²
`3.`(默认)|数字标量

先验逆的形状超参数σ²，指定为数字标量。

一个至少是这样- (Intercept + NumPredictors)/2。

与B当保持不变时，逆伽马分布变得更高更集中一个增加。该特性对先前的模型进行加权σ²比后验估计时的似然更重。

有关反分布的函数形式，请参见分析易于处理的后躯。

例子:“一个”,0.1

数据类型:双

`B`- - - - - -反演先验的尺度超参数σ²
`1`(默认)|积极的标量|`正`

反演先验的尺度参数σ²，指定为正标量或正。

与一个当保持不变时，逆伽马分布变得更高更集中B增加。该特性对先前的模型进行加权σ²比后验估计时的似然更重。

例子:“B”,5

数据类型:双

对象的功能

`估计`	对贝叶斯线性回归模型进行预测变量选择
`模拟`	模拟贝叶斯线性回归模型的回归系数和扰动方差
`预测`	贝叶斯线性回归模型的预测响应
`情节`	可视化贝叶斯线性回归模型参数的先验和后验密度
`总结`	贝叶斯线性回归模型预测变量选择的分布汇总统计

例子

全部折叠

为SSVS创建先验模型

打开实时脚本

考虑一下预测美国实际国民生产总值(gdp)的线性回归模型(GNPR)，利用工业生产指数(新闻学会)、总就业人数(E)和实际工资(或者说是)。

${GNPR}_{t} = β_{0} + β_{1} {新闻学会}_{t} + β_{2} E_{t} + β_{3.} {或者说是}_{t} + ε_{t} 。$

对所有 $t$ ， $ε_{t}$ 是一系列均值为0，方差为0的独立高斯扰动 $σ^{2}$ 。

假设这些先验分布 $k$ = 0,…,3:

$β_{k} | σ^{2} ， γ_{k} = γ_{k} σ \sqrt{V_{k 1}} Z_{1} + （ 1 - γ_{k} ） σ \sqrt{V_{k 2}} Z_{2}$ ,在那里 $Z_{1}$ 和 $Z_{2}$ 是独立的标准正态随机变量。因此，系数具有高斯混合分布。假设所有系数都是条件独立的，先验的，但它们依赖于干扰方差。
$σ^{2} \sim 我 G （一个， B ）$ 。 $一个$ 和 $B$ 分别为逆伽玛分布的形状和尺度。
$γ_{k} \in ｛ 0 ， 1}$ 它表示随机变量-包含制度变量的离散均匀分布。

为SSVS创建一个先验模型。指定预测器的数量p。

P = 3;PriorMdl = mixconjugateblm(p);

PriorMdl是一个mixconjugateblm贝叶斯线性回归模型对象表示回归系数和扰动方差的先验分布。mixconjugateblm在命令行显示先前发行版的摘要。

或者，您可以通过将预测器的数量传递给ssv来创建一个先验模型bayeslm然后设置ModelType名称-值对参数“mixconjugate”。

MdlBayesLM = bayeslm(p，“ModelType”，“mixconjugate”）

MdlBayesLM = mixconjugateblm with properties: NumPredictors: 3 Intercept: 1 VarNames: {4x1 cell} Mu: [4x2 double] V: [4x2 double]概率:[4x1 double]相关性:[4x4 double] A: 3 B:1 |意味着性病CI95积极的分布  ------------------------------------------------------------------------------ 拦截| 0 1.5890[-3.547,3.547]0.500混合分布β(1)| 0 1.5890[-3.547,3.547]0.500混合分布β(2)| 0 1.5890[-3.547,3.547]0.500混合分布β(3)| 0 1.5890[-3.547,3.547]0.500混合分布Sigma2 | 0.5000 - 0.5000[0.138, 1.616] 1.000搞笑(3.00,1)

Mdl和MdlBayesLM是等效的模型对象。

您可以使用点表示法设置已创建模型的可写属性值。将回归系数名称设置为对应的变量名称。

PriorMdl。VarNames=[“他们”“E”“福”］

PriorMdl = mixconjugateblm with properties: NumPredictors: 3 Intercept: 1 VarNames: {4x1 cell} Mu: [4x2 double] V: [4x2 double]概率:[4x1 double]相关性:[4x4 double] A: 3 B:1 |意味着性病CI95积极的分布  ------------------------------------------------------------------------------ 拦截| 0 1.5890[-3.547,3.547]0.500混合分布IPI | 0 1.5890[-3.547, 3.547] 0.500混合分布E | 0 1.5890[-3.547, 3.547] 0.500混合分布WR | 0 1.5890[-3.547, 3.547] 0.500混合分布Sigma2 | 0.5000 - 0.5000[0.138, 1.616] 1.000搞笑(3.00,1)

MATLAB®将变量名称与显示器中的回归系数关联起来。

绘制先验分布。

情节(PriorMdl);

图中包含5个轴对象。标题为Intercept的坐标轴对象1包含一个类型为line的对象。标题为IPI的轴对象2包含一个类型为line的对象。标题为E的轴对象3包含一个类型为line的对象。标题为WR的轴对象4包含一个类型为line的对象。标题为Sigma2的坐标轴对象5包含一个类型为line的对象。

每个系数的先验分布是两个高斯分布的混合:两个分量的平均值都为零，但分量1相对于分量2有很大的方差。因此，它们的分布以0为中心，具有spike-and-slab外观。

使用SSVS和默认选项执行变量选择

打开实时脚本

考虑中的线性回归模型为SSVS创建先验模型。

创建执行SSVS的先验模型。假设 $β$ 和 $σ^{2}$ 是相关的(共轭混合模型)。指定预测器的数量p还有回归系数的名称。

P = 3;PriorMdl = mixconjugateblm(p，“VarNames”, (“他们”“E”“福”]);

显示先验区域概率和高斯混合方差因子的先验 $β$ 。

priorprobability = table(PriorMdl.)概率,“RowNames”, PriorMdl。VarNames,…“VariableNames”，“概率”）

priorProbabilities =4×1表概率___________截距0.5 IPI 0.5 E 0.5 WR 0.5

priorV = array2table(PriorMdl;V,“RowNames”, PriorMdl。VarNames,…“VariableNames”, (“gammaIs1”“gammaIs0”]）

priorV =4×2表gammaIs1 gammaIs0 ________ ________拦截10 0.1 IPI 10 0.1 E 10 0.1 WR 10 0.1

PriorMdl将先验区域概率存储在概率财产和制度变化因素V财产。变量包含的默认先验概率为0.5。每个系数的默认方差因子在变量包含体系中为10，在变量排除体系中为0.01。

加载Nelson-Plosser数据集。为响应和预测器系列创建变量。

负载Data_NelsonPlosserX = DataTable{:，PriorMdl.VarNames(2:end)};y = DataTable{:，“GNPR”};

通过估计的边际后验分布实现SSVS $β$ 和 $σ^{2}$ 。由于SSVS使用马尔可夫链蒙特卡罗(MCMC)进行估计，所以设置一个随机数种子来重现结果。

rng (1);PosteriorMdl = estimate(PriorMdl,X,y);

方法:MCMC抽样10000次，观测数:62个预测者数:4 |意味着性病CI95积极的分配制度  ---------------------------------------------------------------------------------- 拦截| -18.8333 - 10.1851[-36.965,0.716]0.037经验0.8806 IPI | 4.4554 - 0.1543 E[4.165, 4.764] 1.000经验0.4545 | 0.0010 - 0.0004[0.000,0.002]0.997经验0.0925 WR | 2.4686 - 0.3615[1.766, 3.197] 1.000经验0.1734 Sigma2 | 47.7557 - 8.6551[33.858, 66.875] 1.000经验NaN

PosteriorMdl是一个empiricalblm的后验分布 $β$ 和 $σ^{2}$ 根据数据。估计在命令行显示边际后验分布的摘要。摘要的行对应回归系数和扰动方差，列对应后验分布的特征。其特点包括:

CI95，其中包含参数的95%贝叶斯均衡可信区间。的回归系数的后验概率E(标准化)在[0.000,0.002]是0.95。
政权，其中包含变量包含的边际后验概率( $γ = 1$ 对于变量)。例如，后验概率E应该包含在模型中的是0.0925。

假设，变量是政权< 0.1应从模型中删除，结果表明可以从模型中排除失业率。

默认情况下,估计绘制并丢弃尺寸为5000的老化样本。然而，一个好的做法是检查绘制的轨迹图是否有足够的混合和缺乏瞬变。绘制每个参数的绘图轨迹图。您可以访问组成分布的图形(属性)BetaDraws和Sigma2Draws)使用点表示法。

图;为J = 1:(p + 1) subplot(2,2, J);情节(PosteriorMdl.BetaDraws (j,:));标题(sprintf (' % s ', PosteriorMdl.VarNames {j}));结束

图中包含4个轴对象。标题为Intercept的坐标轴对象1包含一个类型为line的对象。标题为IPI的轴对象2包含一个类型为line的对象。标题为E的轴对象3包含一个类型为line的对象。标题为WR的轴对象4包含一个类型为line的对象。

图;情节(PosteriorMdl.Sigma2Draws);标题(“Sigma2”）;

图包含一个轴对象。标题为Sigma2的axes对象包含一个line类型的对象。

轨迹图表明，这些绘图似乎混合得很好。图中没有显示可检测到的瞬态或序列相关性，并且图在状态之间不会跳跃。

为SSVS指定自定义先验状态概率分布

打开脚本

考虑中的线性回归模型为SSVS创建先验模型。

加载Nelson-Plosser数据集。为响应和预测器系列创建变量。将特定于示例的文件添加到MATLAB®路径。

负载Data_NelsonPlosserVarNames = [“他们”“E”“福”];X = DataTable{:，VarNames};y = DataTable{:，“GNPR”};Path = fullfile(matlabroot，“例子”，“经济学”，“主要”）;目录路径);

假设如下:

截距在模型中，概率为0.9。
新闻学会和E在模型中的概率为0.75。
如果E包含在模型中，那么或者说是模型中包含的是0.9。
如果E被排除在模型之外，那么或者说是所包含的是0.25。

声明一个名为priorssvsexample.m:

接受一个逻辑向量，指示截距和变量是否在模型中(真正的用于模型包含)。元素1对应于截距，其余元素对应于数据中的变量。
返回表示所描述的先验状态概率分布的对数的数字标量。

函数Logprior = priorssvexample(变量)%PRIORSSVSEXAMPLE记录ssv的先验状态概率分布% PRIORSSVSEXAMPLE是一个自定义日志先验状态概率的例子具有相关随机变量的SSVS的%分布。varinc是%一个4 × 1的逻辑向量，表示模型中是否有4个系数%， logPrior是一个数字标量，表示先验的日志%的状态概率分布。％系数按以下规则输入模型:% *变量(1)包含，概率为0.9。% * varinc(2)和varinc(3)在模型中，概率为0.75。% *如果模型中包含变量(3)，则模型中包含的%变量(4)为0.9。% *如果从模型中排除变量(3)，则概率包含变量(4)的百分比为0.25。logprior =日志(0.9)+ 2 *日志(0.75)+日志(varinc (3) * 0.9 + (1-varinc (3)) * 0.25);结束

priorssvsexample.m是包含在Econometrics Toolbox™中的特定示例文件。要访问它，请输入编辑priorssvsexample.m在命令行。

创建执行SSVS的先验模型。假设 $β\美元$ 和 $\σ^ 2美元$ 是(共轭混合模型)。指定预测器的数量p回归系数的名称，以及变量包含制度的自定义先验概率分布。

P = 3;PriorMdl = mixconjugateblm(p，“VarNames”, (“他们”“E”“福”]，…“概率”, @priorssvsexample);

通过估计的边际后验分布实现SSVS $β\美元$ 和 $\σ^ 2美元$ 。因为SSVS使用MCMC进行估计，所以设置一个随机数种子来重现结果。

rng (1);PosteriorMdl = estimate(PriorMdl,X,y);

方法:MCMC抽样10000次，观测数:62个预测者数:4 |意味着性病CI95积极的分配制度  ---------------------------------------------------------------------------------- 拦截| -18.7971 - 10.1644[-37.002,0.765]0.039经验0.8797 IPI | 4.4559 - 0.1530 E[4.166, 4.760] 1.000经验0.4623 | 0.0010 - 0.0004[0.000,0.002]0.997经验0.2665 WR | 2.4684 - 0.3618[1.759, 3.196] 1.000经验0.1727 Sigma2 | 47.7391 - 8.6741[33.823, 67.024] 1.000经验NaN

假设，变量是政权< 0.1应从模型中删除，结果表明可以将所有变量包括在模型中。

因为这个例子要求路径要访问特定于示例的文件，请通过删除路径从MATLAB®路径。

rmpath(路径);

使用后验预测分布预测反应

打开实时脚本

考虑中的回归模型为SSVS创建先验模型。

执行科学价值:

为SSVS创建一个具有数据似然共轭先验的贝叶斯回归模型。使用默认设置。
拿出最近10期的估算数据。
估计边际后验分布。

P = 3;PriorMdl = bayeslm(p，“ModelType”，“mixconjugate”，“VarNames”, (“他们”“E”“福”]);负载Data_NelsonPlosserFHS = 10;预测地平线大小%X = DataTable{1:(end - fhs)，PriorMdl.VarNames(2:end)};y = DataTable{1:(end - fhs)，“GNPR”};XF = DataTable{(end - fhs + 1):end,PriorMdl.VarNames(2:end)};%未来预测数据yFT = DataTable{(end - fhs + 1):end，“GNPR”};未来真实回答百分比rng (1);%为了重现性PosteriorMdl = estimate(PriorMdl,X,y，“显示”、假);

使用后验预测分布和未来预测数据预测响应XF。绘制响应的真实值和预测值。

yF = forecast(PosteriorMdl,XF);图;情节(日期、DataTable.GNPR);持有在plot(dates((end - fhs + 1):end)，yF) h = gca;HP = patch([dates(end - FHS + 1) dates(end) dates(end) dates(end) dates(end) dates(end - FHS + 1)]，…h.YLim([1,1,2,2])，[0.8 0.8 0.8]);uistack(惠普、“底”）;传奇(“预测地平线”，“真正的GNPR”，“预测GNPR”，“位置”，“西北”)标题(“实际国民生产总值:1909 - 1970”）;ylabel (“rGNP”）;包含(“年”）;持有从

图包含一个轴对象。标题为“实际国民生产总值:1909 - 1970”的轴对象包含patch、line类型的3个对象。这些对象代表预测地平线、真实GNPR、预测GNPR。

yF是与未来预测器数据相对应的实际国民生产总值未来值的10乘1向量。

估计预测均方根误差(RMSE)。

frmse = sqrt(mean((yF - yFT).^2))

Frmse = 18.8470

预测均方根误差是预测精度的相对度量。具体来说，您使用不同的假设来估计几个模型。预测均方根误差最低的模型是被比较的模型中表现最好的模型。

当使用SSVS执行贝叶斯回归时，最佳实践是调优超参数。这样做的一种方法是在超参数值的网格上估计预测RMSE，并选择使预测RMSE最小的值。

算法

在SSVS框架中，共轭混合先验存在一个闭后验K系数。然而，因为先验β|σ²，γ被边缘化γ是2^K-分量高斯混合，MATLAB^®使用MCMC从后验中采样以保证数值稳定性。

选择功能

的bayeslm函数可以为贝叶斯线性回归创建任何支持的先验模型对万博1manbetx象。

参考文献

［1］乔治，e。I。和r。e。麦卡洛克。"通过吉布斯抽样进行变量选择"美国统计协会杂志。1993年第88卷第423号，第881-889页。

[2]库普，G.， D. J.普瓦里尔和J. L.托比亚斯。贝叶斯计量经济学方法。纽约:剑桥大学出版社，2007。

mixconjugateblm

描述

创建

语法

描述

属性

`NumPredictors`- - - - - -预测变量数量
非负整数

`拦截`- - - - - -包含回归模型截距的标志
`真正的`(默认)|`假`

`VarNames`- - - - - -预测变量名称
字符串向量|字符向量的细胞向量

`μ`- - - - - -先验高斯混合的分量平均超参数β
`0 (Intercept + NumPredictors,2)`(默认)|数字矩阵

`V`- - - - - -高斯混合先验分量方差因子超参数β
`repmat([100.1]，Intercept + NumPredictors,1)`(默认)|正数矩阵

`概率`- - - - - -变量包含和排除机制的先验概率分布
`0.5*ones(Intercept + NumPredictors,1)`(默认)|[0,1]中的数值向量|函数处理

`相关`- - - - - -的先验相关矩阵β
`eye(Intercept + NumPredictors)`(默认)|数值正定矩阵

`一个`- - - - - -逆先验的形状超参数σ²
`3.`(默认)|数字标量

`B`- - - - - -反演先验的尺度超参数σ²
`1`(默认)|积极的标量|`正`

对象的功能

例子

为SSVS创建先验模型

使用SSVS和默认选项执行变量选择

为SSVS指定自定义先验状态概率分布

使用后验预测分布预测反应

更多关于

贝叶斯线性回归模型

随机搜索变量选择

算法

选择功能

参考文献

版本历史

另请参阅

对象

主题

mixconjugateblm

描述

创建

语法

描述

属性

NumPredictors- - - - - -预测变量数量非负整数

拦截- - - - - -包含回归模型截距的标志真正的(默认)|假

VarNames- - - - - -预测变量名称字符串向量|字符向量的细胞向量

μ- - - - - -先验高斯混合的分量平均超参数β0 (Intercept + NumPredictors,2)(默认)|数字矩阵

V- - - - - -高斯混合先验分量方差因子超参数βrepmat([100.1]，Intercept + NumPredictors,1)(默认)|正数矩阵

概率- - - - - -变量包含和排除机制的先验概率分布0.5*ones(Intercept + NumPredictors,1)(默认)|[0,1]中的数值向量|函数处理

相关- - - - - -的先验相关矩阵βeye(Intercept + NumPredictors)(默认)|数值正定矩阵

一个- - - - - -逆先验的形状超参数σ23.(默认)|数字标量

B- - - - - -反演先验的尺度超参数σ21(默认)|积极的标量|正

对象的功能

例子

为SSVS创建先验模型

使用SSVS和默认选项执行变量选择

为SSVS指定自定义先验状态概率分布

使用后验预测分布预测反应

更多关于

贝叶斯线性回归模型

随机搜索变量选择

算法

选择功能

参考文献

版本历史

另请参阅

对象

主题

`NumPredictors`- - - - - -预测变量数量
非负整数

`拦截`- - - - - -包含回归模型截距的标志
`真正的`(默认)|`假`

`VarNames`- - - - - -预测变量名称
字符串向量|字符向量的细胞向量

`μ`- - - - - -先验高斯混合的分量平均超参数β
`0 (Intercept + NumPredictors,2)`(默认)|数字矩阵

`V`- - - - - -高斯混合先验分量方差因子超参数β
`repmat([100.1]，Intercept + NumPredictors,1)`(默认)|正数矩阵

`概率`- - - - - -变量包含和排除机制的先验概率分布
`0.5*ones(Intercept + NumPredictors,1)`(默认)|[0,1]中的数值向量|函数处理

`相关`- - - - - -的先验相关矩阵β
`eye(Intercept + NumPredictors)`(默认)|数值正定矩阵

`一个`- - - - - -逆先验的形状超参数σ²
`3.`(默认)|数字标量

`B`- - - - - -反演先验的尺度超参数σ²
`1`(默认)|积极的标量|`正`