在已知协方差存在下的最小二乘溶液
X = LSCOV(A,B)
X = LSCOV(A,B,W)
X = LSCOV(A,B,V)
x = LSCOV(A,B,V,ALG)
[x,stdx] = lscov(...)
[x,stdx,mse] = lscov(...)
[x,stdx,mse,s] = lscov(...)
X = LSCOV(A,B)
将普通的最小二乘解返回到线性系统的方程式a * x = b
, IE。,X
是n×1载体,最小化平方误差的总和(b - a * x)'*(b - a * x)
, 在哪里一种
是m-by-n,和B.
是m-by-1。B.
也可以是m-by-k矩阵,和LSCOV.
为每列返回一个解决方案B.
。什么时候等级(a)
LSCOV.
设置最大可能数量的元素X
为零获得“基本解决方案”。
X = LSCOV(A,B,W)
, 在哪里W.
是一个真实正重重量的矢量长度,将加权最小二乘解返回到线性系统a * x = b
, 那是,X
最小化(b - a * x)'* diag(w)*(b - a * x)
。W.
通常包含计数或逆差。
X = LSCOV(A,B,V)
, 在哪里V.
是一个m-by-m真正的对称正定矩阵,将广义最小二乘解返回线性系统a * x = b
与协方差矩阵成比例V.
, 那是,X
最小化(b - a * x)'* inv(v)*(b - a * x)
。
更普遍,V.
可以是积极的semidefinite,和LSCOV.
回报X
这最小化e'* e
,约束a * x + t * e = b
,最小化结束的地方X
和E.
, 和t * t'= v
。什么时候V.
是Semidefinite,这个问题只有一个解决方案B.
和......一致一种
和V.
(那是,B.
处于列空间[在]
), 除此以外LSCOV.
返回错误。
默认情况下,LSCOV.
计算Cholesky分解V.
并且,实际上,反转该因素将问题转变为普通的最小二乘。但是,如果LSCOV.
确定V.
是半纤维,它使用正交分解算法,避免反转V.
。
x = LSCOV(A,B,V,ALG)
指定用于计算的算法X
什么时候V.
是一个矩阵。all.
可以具有以下值:
'CHOL'
使用Cholesky分解V.
。
'orth'
使用正交分解,并且更合适的时间V.
是不良状态或单数,但是计算得更昂贵。
[x,stdx] = lscov(...)
返回估计的标准错误X
。什么时候一种
排名缺乏,STDX.
在对应于必然零元素的元素中包含零X
。
[x,stdx,mse] = lscov(...)
返回平均方形错误。如果B.
假设具有协方差矩阵σ2V.
(或(σ2)×诊断
(1. /W.
)), 然后MSE
是估计σ2。
[x,stdx,mse,s] = lscov(...)
返回估计的协方差矩阵X
。什么时候一种
排名缺乏,S.
包含与必然零元素对应的行和列中的零X
。LSCOV.
不能回来S.
如果它被称为多个右侧,那就是,那是尺寸(b,2)> 1
。
这些数量的标准公式,何时一种
和V.
是全级别,是
x = inv(a'* inv(v)* a)* a'* inv(v)* b
mse = b'*(inv(v) - inv(v)* a * inv(a'* inv(v)* a)* a'* inv(v))* b./()
s = inv(a'* inv(v)* a)* mse
stdx = sqrt(diag(s))
然而,LSCOV.
使用更快更稳定的方法,并且适用于等级缺乏案例。
LSCOV.
假设协方差矩阵B.
只知道达到比例因素。MSE
是对未知规模因素的估计,和LSCOV.
缩放输出S.
和STDX.
适当的。但是,如果V.
已知是完全是协方差矩阵B.
,然后不需要缩放。要在这种情况下获得适当的估计,您应该重新归类S.
和STDX.
经过1 / MSE
和SQRT(1 / MSE)
, 分别。
matlab.®Backslash运算符(\)使您可以通过计算回归系数的普通最小二乘(OLS)估计来执行线性回归。你也可以使用LSCOV.
计算相同的OLS估计值。通过使用LSCOV.
,您还可以计算这些系数的标准错误的估计,以及回归错误项的标准偏差的估计值:
X1 = [.2 .5 .6 .8 1.0 1.1]';X2 = [.1 .3 .4 .9 1.1 1.4]';x = [(尺寸(x1))x1 x2];Y = [.17 .26 .28 .23 .27 .34]';a = x \ y a = 0.1203 0.1203 0.3284 -0.1312 [SE_B,MSE] = LSCOV(X,Y)B = 0.1203 0.3284 -0.1312 SE_B = 0.0643 0.2267 0.1488 MSE = 0.0015
用LSCOV.
通过提供相对观察权重的载体来计算加权最小二乘(WLS)配合。例如,您可能希望缩减对FIT的不可靠观察的影响:
w = [1 1 1 1 1 .1]';[BW,SEW_B,MSEW] = LSCOV(X,Y,W)BW = 0.1046 0.4614 -0.2621 SEF_B = 0.0309 0.1152 0.0814 MSEW = 3.4741E-004
用LSCOV.
通过提供观察协方差矩阵来计算一般最小二乘(GLS)配合。例如,您的数据可能不是独立的:
v = .2 *那些(长度(x1))+ .8 * diag(inal(尺寸(x1)));[BG,SEW_B,MSEG] = LSCOV(X,Y,V)BG = 0.1203 0.3284 -0.1312 SEF_B = 0.0672 0.2267 0.1488 MSEG = 0.0019
计算OLS,WLS或GLS的系数协方差矩阵的估计。系数标准误差等于该协方差矩阵对角线上的值的平方根:
[b,se_b,mse,s] = lscov(x,y);S S = 0.0041 -0.0130 0.0075 -0.0130 0.0514 -0.0328 0.0075 -0.0328 0.0221 0.0221 0.0221 0.02210.0221 0.06430.0643 0.0643 0.2267 0.2267 0.2267 0.2267 0.1488 0.22267 0.2267 0.0643 0.2267 0.22267 0.2267 0.06430.2267
矢量X
最小化数量(a * x-b)'* inv(v)*(a * x-b)
。这个问题的古典线性代数解决方案是
x = inv(a'* inv(v)* a)* a'* inv(v)* b
但是LSCOV.
函数来计算QR分解一种
然后修改问:
经过V.
。
[1]斯特朗,G.,应用数学介绍,Wellesley-Cambridge,1986,p。398。