每个回归函数都有一个特定的操作。本节展示如何使用这些函数执行特定类型的回归。为了说明各种回归函数的使用,“典型”用法显示了尽量少的可选参数。对于一个典型的回归,你估计模型参数和残差协方差矩阵大中型企业
函数和估计模型参数的标准误差性病
功能。“没有缺失数据”的回归本质上忽略了任何缺失值的样本,而“有缺失数据”的回归忽略了所有缺失值的样本。
多元正态回归,或MVNR,是金融工具箱™软件中回归函数的“标准”实现。
估计参数使用mvnrmle
:
[Parameters,协方差]= mvnrmle(Data, Design);
使用下列方法估计标准误差mvnrstd
:
StdParameters = mvnrstd(数据,设计,协方差);
估计参数使用ecmmvnrmle
:
[参数,协方差]= ecmmvnrmle(Data, Design);
使用下列方法估计标准误差ecmmvnrstd
:
StdParameters = ecmmvnrstd(数据,设计,协方差);
最小二乘回归,简称LSR,有时又称普通最小二乘或多元线性回归,是最简单的线性回归模型。它还具有一个性质,即独立于底层分布,它是一个最佳线性无偏估计(BLUE)。
鉴于米=NumSamples
观察,典型的最小二乘回归模型寻求最小化目标函数
哪个,在多元正态回归程序的最大可能性框架内mvnrmle
,等价于单次迭代估计只需得到参数即可参数
初始协方差矩阵协方差
固定为单位矩阵。然而,在丢失数据的情况下,处理丢失数据的内部算法需要一个单独的例程ecmlsrmle
用最小二乘代替多元正态回归。
估计参数使用mvnrmle
:
[参数,协方差]= mvnrmle(数据,设计,1);
使用下列方法估计标准误差mvnrstd
:
StdParameters = mvnrstd(数据,设计,协方差);
估计参数使用ecmlsrmle
:
[Parameters, Covariance] = ecmlsrmle(Data, Design);
使用下列方法估计标准误差ecmmvnrstd
:
StdParameters = ecmmvnrstd(数据,设计,协方差);
鉴于米=NUMSAMPLES
典型的协方差加权最小二乘(CWLS)回归模型寻求最小化目标函数
与固定的协方差C0.
在大多数情况下,C0是一个对角矩阵。逆矩阵 具有对角线元素,可以将其视为每个系列的相对“权重”。因此,CWLS是一种加权最小二乘形式,其权重应用于整个系列。
估计参数使用mvnrmle
:
[Parameters, Covariance] = mvnrmle(Data, Design, 1, [], [], Covar0);
使用下列方法估计标准误差mvnrstd
:
StdParameters = mvnrstd(数据,设计,协方差);
估计参数使用ecmlsrmle
:
[Parameters, Covariance] = ecmlsrmle(Data, Design, [], [], [], Covar0);
使用下列方法估计标准误差ecmmvnrstd
:
StdParameters = ecmmvnrstd(数据,设计,协方差);
一个特别的形式的最小二乘,对于错误指定的或非正态模型具有令人惊讶的良好性质,被称为可行广义最小二乘,或FGLS。基本的程序是做最小二乘回归,然后用第一次回归的残差协方差做协方差加权最小二乘回归。
估计参数使用mvnrmle
:
[参数,协方差]= mvnrmle(Data, Design, 2,0,0);
或(为了明确说明FGLS过程)
[parameter, Covar0] = mvnrmle(Data, Design, 1);[Parameters, Covariance] = mvnrmle(Data, Design, 1, [], [], Covar0);
使用下列方法估计标准误差mvnrstd
:
StdParameters = mvnrstd(数据,设计,协方差);
估计参数使用ecmlsrmle
:
[parameter, Covar0] = ecmlsrmle(Data, Design);[Parameters, Covariance] = ecmlsrmle(Data, Design, [], [], [], Covar0);
使用下列方法估计标准误差ecmmvnrstd
:
StdParameters = ecmmvnrstd(数据,设计,协方差);
给出一个标准形式的多元正态回归模型数据
矩阵和一个设计
的简单变换,就可以将该问题转换为一个表面上不相关的回归(SUR)问题设计
数组中。SUR的主要思想是,不是在所有数据序列上有一个共同的参数向量,而是在每个单独的序列或不同的序列组中有一个单独的参数向量,尽管如此,这些序列共享一个共同的残差协方差。这种聚合和分解序列的能力,以及对每个设计进行比较测试的能力,正是SUR的强大功能。
要进行转换,请使用该函数convert2sur
,它将一个标准形式的设计数组转换为一个等效的设计数组,以执行SUR与系列的指定映射NUMGROUPS
组。回归函数使用通常的方式,但与SUR设计阵列,而不是原来的设计阵列。而不是NUMPARAMS
元素,则SUR输出参数向量具有NUMGROUPS
堆叠参数估计,其中第一个NUMPARAMS
的元素参数
包含与第一组级数、下一组级数相关的参数估计NUMPARAMS
的元素参数
包含与第二组级数相关的参数估计,依此类推。例如,如果该模型只有一个系列,NUMSERIES
=1
,则SUR设计阵列与原始设计阵列相同,因为SUR需要两个或多个序列来生成不同的参数估计。
鉴于NUMPARAMS
参数和NUMGROUPS
带有参数向量的组(参数
),NUMGROUPS * NUMPARAMS
元素从任何回归例程,以下MATLAB®代码片段显示了如何打印一个表的SUR参数估计与行对应的每个参数和列对应的每个组或系列:
流(1,看似无关的回归参数估计\ n”);流(1,7 ' % s ',' ');流(1,“集团(% 3 d)”1: NumGroups);流(1,' \ n ');为i = 1:NumParams fprintf(1,' % 7 d ',我);2 =我;为j = 1:NumGroups fprintf(1,“% 12 g”、参数(ii));ii = ii + NumParams;结束流(1,' \ n ');结束流(1,' \ n ');
Form a SUR设计使用convert2sur
:
DesignSUR = convert2sur(设计,组);
估计参数使用mvnrmle
:
[Parameters,协方差]= mvnrmle(Data, DesignSUR);
使用下列方法估计标准误差mvnrstd
:
StdParameters = mvnrstd(Data, DesignSUR, Covariance);
Form a SUR设计使用convert2sur
:
DesignSUR = convert2sur(设计,组);
估计参数使用ecmmvnrmle
:
[parameter,协方差]= ecmmvnrmle(Data, DesignSUR);
使用下列方法估计标准误差ecmmvnrstd
:
StdParameters = ecmmvnrstd(Data, DesignSUR, Covariance);
在没有丢失数据的情况下,您可以估计您的数据
与函数的意思是
和函数的协方差浸
.然而,这个函数ecmnmle
如果检测到缺少缺失值,为您执行此操作。否则,它使用ECM算法来处理丢失的值。
估计参数使用ecmnmle
:
[均值,协方差]= ecmnmle(数据);
使用下列方法估计标准误差ecmnstd
:
StdMean = ecmnstd(数据,均值,协方差);
mvnrmle
|mvnrstd
|mvnrfish
|mvnrobj
|ecmmvnrmle
|ecmmvnrstd
|ecmmvnrfish
|ecmmvnrobj
|ecmlsrmle
|ecmlsrobj
|ecmmvnrstd
|ecmmvnrfish
|ecmnmle
|ecmnstd
|ecmnfish
|ecmnhess
|ecmnobj
|convert2sur
|ecmninit