线性回归是一种统计工具,用于:
研究的线性依赖或影响
根据未来预测数据预测或预测未来的反应。
的
为次
yt为观察到的响应。
xt是一个1 - (
β是(
εt为均值为0,Cov(
的值
要研究预测器对响应的线性影响,或构建预测MLR,必须首先估计参数
一个
贝叶斯分析的主要目标之一是计算,或从
一个
条件概率密度函数是
ϕ(
先验分布(或
在实践中,使用先验是为了方便,而不是遵循研究人员关于参数实际分布的意见。例如,您可以选择先验,使相应的后验分布在相同的分布族中。这些前后对被称为前后对
Priors可以包含参数,调用
对于MLR,先前的分布通常表示为
你可以包含关节后验分布
如果
后验概率和其他随机变量的联合概率分布一样,它包含了所有已知的参数信息。参数估计和推论主要基于参数相对于后验分布的函数积分。
后验估计和推理涉及参数关于后验的积分函数。MLR参数的常用估计量和推论包括:
的期望值
这个量提供了一个自然的解释,是最小均方误差(MSE)估计量,也就是说,它是最小的 中位数、模式或分位数可以是相对于其他损失的贝叶斯估计量。
的
给出数据,预测的反应
的预测
是一个随机变量
你可以把这个量看成概率分布的条件期望值
95%置信区间
Equitailed间隔,为区间(
后验密度最高(HPD)区域,它是产生指定概率的最窄区间(或多个区间)。它必须包含最大的后验值。
不同于频率置信区间的解释,贝叶斯置信区间的解释是给定数据,随机的概率
变量包含的边际后验概率,也称为状态概率,是实施随机搜索变量选择(SSVS)的结果,表明预测变量在贝叶斯线性回归模型中是否不显著或冗余。在科学中,
集成方法取决于产品的功能形式
比如被积函数,
如果乘积是已知概率分布的核,那么
否则,必须使用数值积分技术来计算的积分
为了进行蒙特卡罗估计,您从一个概率分布中抽取许多样本,并对每次抽取应用一个适当的函数(
当你不知道一个常数之前的概率分布,或者你知道所有参数的条件分布,至少知道一个常数之前的条件分布时,你就可以实现MCMC。流行的MCMC技术包括吉布斯抽样<一个href="//www.tianjin-qmedu.com/help/econ/what-is-bayesian-linear-regression.html" class="intrnllnk">[2]一个>大都会-黑斯廷斯算法<一个href="//www.tianjin-qmedu.com/help/econ/what-is-bayesian-linear-regression.html" class="intrnllnk">[5]一个>,切片取样<一个href="//www.tianjin-qmedu.com/help/econ/what-is-bayesian-linear-regression.html" class="intrnllnk">[9]一个>.
当后验难以处理时,有关计量经济学工具箱中贝叶斯线性回归模型的后验估计的详细信息,请参见<一个href="//www.tianjin-qmedu.com/help/econ/what-is-bayesian-linear-regression.html" class="intrnllnk">分析棘手的后验一个>.
计量经济学工具箱中的贝叶斯线性回归框架提供了几个先验模型规范,它们产生了分析上可处理的共轭边际或条件后验。该表识别了之前的模型和它们对应的后模型。当你把之前的模型和数据传递给<一个href="//www.tianjin-qmedu.com/help/econ/conjugateblm.estimate.html">估计
, MATLAB®使用这些公式。当软件构造后端时,它假设响应数据
之前的模型对象 | 先知先觉 | 边缘后验 | 条件后验 |
---|---|---|---|
conjugateblm |
β和 |
|
|
semiconjugateblm |
β和 | 分析棘手的 |
|
diffuseblm |
联合优先pdf是
|
|
|
mixconjugateblm |
|
尽管边缘后端在分析上是可处理的,但MATLAB将其视为难以扩展的(参见<一个href="//www.tianjin-qmedu.com/help/econ/what-is-bayesian-linear-regression.html" class="intrnllnk">[1]一个>). | 易于分析,如果
|
mixsemiconjugateblm |
|
分析棘手的 | 易于分析,如果
|
lassoblm |
系数是独立的,这是一个先验。 | 分析棘手的 |
|
表中:
Np+1(
搞笑(
X是一个
y是一个
tp+1(
的最小二乘估计
V*j - 1为先验方差因子(mixconjugate
)或方差(mixsemiconjugate
)
V*是(
mixconjugateblm
和<一个href="//www.tianjin-qmedu.com/help/econ/mixsemiconjugateblm.html">mixsemiconjugateblm
模型支持先前的万博1manbetx平均规格conjugateblm
和<一个href="//www.tianjin-qmedu.com/help/econ/semiconjugateblm.html">semiconjugateblm
模型包括先前的方法。
λ为固定套索收缩参数。
InvGaussian (
计量经济学工具箱中的贝叶斯线性回归框架提供了几个先验模型规范,这些规范产生了分析上难以处理的、但灵活的、边际的和有条件的后验。这个表确定了先验模型和蒙特卡罗抽样技术,当你传递一个先验模型和数据时,MATLAB用来执行后验估计、模拟和推断<一个href="//www.tianjin-qmedu.com/help/econ/conjugateblm.estimate.html">估计
,<一个href="//www.tianjin-qmedu.com/help/econ/conjugateblm.simulate.html">模拟
,或<一个href="//www.tianjin-qmedu.com/help/econ/conjugateblm.forecast.html">预测
.
之前的模型对象 | 先知先觉 | 边缘后验仿真技术 | 条件后验仿真技术 |
---|---|---|---|
semiconjugateblm |
β和 | 吉布斯采样器<一个href="//www.tianjin-qmedu.com/help/econ/what-is-bayesian-linear-regression.html" class="intrnllnk">[2]一个> | 条件后验在分析上是可处理的 |
empiricalblm |
从各自的先验分布中提取 | 采样重要性重采样<一个href="//www.tianjin-qmedu.com/help/econ/what-is-bayesian-linear-regression.html" class="intrnllnk">[4]一个> | 不支持万博1manbetx |
customblm |
以联合pdf为特征。在声明的函数中 |
|
|
mixconjugateblm |
|
吉布斯采样器<一个href="//www.tianjin-qmedu.com/help/econ/what-is-bayesian-linear-regression.html" class="intrnllnk">[1]一个> | 条件后验在分析上是可处理的 |
mixsemiconjugateblm |
|
吉布斯采样器<一个href="//www.tianjin-qmedu.com/help/econ/what-is-bayesian-linear-regression.html" class="intrnllnk">[1]一个> | 条件后验在分析上是可处理的 |
lassoblm |
系数是独立的,这是一个先验。 | 吉布斯采样器<一个href="//www.tianjin-qmedu.com/help/econ/what-is-bayesian-linear-regression.html" class="intrnllnk">[10]一个> | 条件后验在分析上是可处理的 |
[1]乔治,e。I。和r。e。麦卡洛克。《吉布斯抽样的变量选择》
Gelfand, a.e.和a.f. M. Smith。“基于采样的边际密度计算方法”。
格尔曼,J. B.卡林,H. S.斯特恩,D. B.鲁宾。
戈登,新泽西,D. J.萨尔蒙德和A. F. M.史密斯。非线性/非高斯贝叶斯状态估计的新方法
[5] Hastings, W. K. <利用马尔可夫链的蒙特卡罗抽样方法及其应用>。
[6]马琳,j.m., c.p.罗伯特。
[7]大都会,N. A. W. Rosenbluth, M. N. Rosenbluth, A. H. Teller, E. Teller。《用快速计算机计算状态方程》
R. M.尼尔"MCMC采用哈密顿动力学"在S. Brooks, A. Gelman, G. Jones和x . l。孟(eds)。
[9]尼尔,r。m。切片取样。"
[10]帕克,T,和g。卡塞拉。“贝叶斯套索”。
bayeslm
|conjugateblm
|customblm
|diffuseblm
|empiricalblm
|估计
|预测
|semiconjugateblm