创建贝叶斯线性回归模型对象
为多变量时间序列分析创建贝叶斯矢量自动增加(varx)模型,请参阅贝斯瓦姆
.
创造一个贝叶斯线性回归模型反对(PriorMdl
= bayeslm (NumPredictors
)PriorMdl
)组成的NumPredictors
预测器,截距,和弥散的,联合先验分布β和σ2.PriorMdl
是一个定义先前分布和维度的模板β.
指定先前分配的联合分配PriorMdl
= bayeslm (NumPredictors
,'模型类型
”,modelType)modelType
为β和σ2.对于这个语法,modelType
可以是:
“共轭”
,“半共轭”
或“漫反射”
建立一个标准的贝叶斯线性回归先验模型
“mixconjugate”
,“mixsemiconjugate”
或“套索”
为预测器变量选择创建贝叶斯线性回归以前模型
例如,“ModelType”、“共轭”
指定高斯似然的共轭先验,即,β|σ2作为高斯,σ2作为逆伽玛。
使用由一个或多个名称-值对参数指定的附加选项。例如,您可以指定是包含回归截距,还是为联合先验分布指定其他选项PriorMdl
= bayeslm (NumPredictors
,'模型类型
“modelType,名称,值
)modelType
.
如果您指定'modeltype','经验'
,还必须指定BetaDraws
和Sigma2Draws
名称-值对参数。BetaDraws
和Sigma2Draws
描述各自的先验分布。
如果您指定'modeltype','习惯'
,还必须指定LogPDF
名称-值对的论点。LogPDF
完全表征了联合的先前分配。
考虑预测美国实际国民生产总值的多元线性回归模型GNPR.
)使用工业生产指数的线性组合(新闻学会
),总就业人数(E
),以及实际工资(WR.
)。
总的来说 , 是一系列均值为0,方差为0的独立高斯扰动吗 .
假设回归系数 和扰动方差 为随机变量,其先验值和分布未知。在这种情况下,使用非信息的jefferies先验:联合先验分布与 .
这些假设和数据的可能性意味着分析上可处理的后验分布。
为线性回归参数创建漫反射以前模型,这是默认模型类型。指定预测器的数量p
.
p=3;Mdl=bayeslm(p)
Mdl = diffuseblm with properties: NumPredictors: 3 Intercept: 1 VarNames:{4 x1细胞}|意味着性病CI95积极的分布 ----------------------------------------------------------------------------- 拦截| 0正(南南)0.500一个β(1)| 0正成正比(南南)0.500一个β(2)| 0正成正比(南南)0.500一个β(3)| 0正成正比(南[NaN, NaN] 1.000与1/Sigma2成正比
MDL.
是一个diffuseblm
贝叶斯线性回归模型对象表示回归系数的先验分布和扰动方差。bayeslm
在命令行显示以前发行版的摘要。因为先验信息是无信息的,而且模型不包含数据,所以摘要是微不足道的。
如果你有数据,你可以通过先验模型来估计后验分布的特征MDL.
和数据到估计
.
考虑线性回归模型默认漫反射先验模型.假设这些先验分布:
. 是一个4 × 1的均值向量吗 是一个4 × 4的正定协方差矩阵。
. 和 分别为逆伽马分布的形状和比例。
这些假设和数据似然暗示了一个正-逆-半共轭模型。根据数据似然,条件后验与先验是共轭的,但边缘后验在分析上是棘手的。
为线性回归参数建立一个正-逆-半共轭先验模型。指定预测器的数量p
.
p=3;Mdl=bayeslm(p,“ModelType”,“半共轭”)
MDL = SemiconJugateBLM具有属性:NumPredictors:3截距:1 varciques:{4x1小区} mu:[4x1 double] v:[4x4 double] a:3 b:1 |平均std ci95积极分布--------------------------------------------------------------------------------------0 100 [-195.996,195.996] 0.500 n(0.00,100.00 ^ 2)beta(1)|0 100 [-195.996,195.996] 0.500 n(0.00,100.00 ^ 2)beta(2)|0 100 [-195.996,195.996] 0.500 n(0.00,100.00 ^ 2)beta(3)|0 100 [-195.996,195.996] 0.500 n(0.00,100.00 ^ 2)sigma2 |0.5000 0.5000 [0.138,1.616] 1.000 Ig(3.00,1)
MDL.
是一个半共轭BLM
贝叶斯线性回归模型对象表示回归系数的先验分布和扰动方差。bayeslm
在命令行显示以前发行版的摘要。例如,元素肯定的
表示对应参数为正的先验概率。
如果您有数据,那么您可以通过通过先前的模型来估计边缘或条件后部分布的特征MDL.
和数据到估计
.
考虑线性回归模型默认漫反射先验模型.假设这些先验分布:
. 是一个4 × 1的均值向量吗 是一个4 × 4的正定协方差矩阵。假设你有先验知识 V是单位矩阵。
. 和 分别为逆伽马分布的形状和比例。
这些假设和数据似然性意味着一个正-逆-共轭模型。
为线性回归参数创建一个正常的vamma缀合物的先前模型。指定预测器的数量p
并将回归系数名称设置为相应的变量名称。
p=3;Mdl=bayeslm(p,“ModelType”,“共轭”,“亩”, -20;4;0.1;2),'v',眼睛(4),...“VarNames”,[“他们”“E”“WR”])
MDL =与属性的共轭BLM平均std ci95积极分布--------------------------------------------------------------------------- - 拦截|-20 0.7071 [-21.413,-18.587] 0.000 T(-20.00,0.58 ^ 2,6)IPI |4 0.7071 [2.587,5.413] 1.000 T(4.00,0.58 ^ 2,6)e |0.1000 0.7071 [-1.313,1.513] 0.566 T(0.10,0.58 ^ 2,6)WR |2 0.7071 [0.587,3.413] 0.993 T(2.00,0.58 ^ 2,6)Sigma2 |0.5000 0.5000 [0.138,1.616] 1.000 Ig(3.00,1)
MDL.
是一个Concugeattblm.
贝叶斯线性回归模型对象表示回归系数的先验分布和扰动方差。bayeslm
在命令行显示以前发行版的摘要。虽然bayeslm
为拦截和干扰方差分配名称,所有其他系数都具有指定的名称。
默认情况下,bayeslm
将形状和比例设置为3.
和1
, 分别。假设您有先验知识的形状和规模5
和2
.
设置先前的形状和规模 到他们假定的值。
Mdl。一个=5;Mdl。B=2
Mdl = conjugateblm with properties: NumPredictors: 3 Intercept: 1 VarNames: {4x1 cell} Mu: [4x1 double] V: [4x4 double] A: 5 B:2 |意味着性病CI95积极的分布 ---------------------------------------------------------------------------------- 拦截| -20 0.3536 [-20.705,-19.295]0.000 t(-20.00、0.32 ^ 2,10)IPI | 4 0.3536 [3.295, 4.705] 1.000 t E(4.00、0.32 ^ 2,10)| 0.1000 - 0.3536[-0.605,0.805]0.621吨(0.10、0.32 ^ 2,10)WR | 2 [1.295, 0.35361.000 t (2.00, 0.32^2, 10) Sigma2 | 0.1250 0.0722 [0.049, 0.308] 1.000 IG(5.00, 2)
bayeslm
根据形状和比例的变化更新先前的分布摘要。
考虑线性回归模型默认漫反射先验模型.假设这些先验分布:
是4-dt每个组件具有50个自由度的分布,相关矩阵具有单位矩阵。此外,分布以每个分量都是由向量的相应元素缩放的.
.
bayeslm
将这些假设和数据可能性视为对应的后验概率难以分析。
声明一个MATLAB®函数,该函数:
接受价值和在列向量中,并接受超参数的值
返回联合前提分配的值,,鉴于价值观和
函数logpdf = primvtig(params,ct,st,Dof,c,a,b)多变量T次逆伽马的%primvtig日志密度% priorMVTIG传递参数(1:end-1)到多元t密度函数具有每个分量的自由度和正自由度%确定相关矩阵C. primvtig返回产品的日志%两个评估密度。%%params:用于计算密度的参数值%m-by-1数字矢量。%% ct:多元分布分量中心,(m-1)-by-1%数值向量。元素对应于第一个m-1元素占参数的百分比。%%ST:多变量T分配组件尺度,AN(M-1)-1%数字(M-1)-By-1数字矢量。元素对应于参数的第一个m-1元素。%%DOF:多变量T分配的自由度,a%数字标量或(m-1)乘1数字向量。priorMVTIG扩展%标量,使dof = dof*ones(m-1,1)。景深的元素%对应params(1:end-1)中的元素。%%C:多变量T分布的相关矩阵,%(m-1) - (m-1)对称,正定的矩阵。行和%列对应于Params(1:结束-1)的元素。%%A:逆伽马形状参数,正数字标量。%%b:逆伽马比例参数,正标量。%beta = params(1:(结束-1));sigma2 = Params(END);TVAL =(beta - CT)./ St;MVTDENTY = MVTPDF(TVAL,C,DOF);Igdensity = sigma2 ^( - a-1)* exp(-1 /(sigma2 * b))/(γ(a)* b ^ a);logpdf = log(mvtdenty * igdensy);结束
创建一个匿名函数priorMVTIG
,但只接受参数值并保持超参数值固定。
dof=50;C=眼睛(4);ct=[-25;4;0;3];st=[10;1;1;1];a=3;b=1;先验=@(参数)先验MVTIG(参数,ct,st,dof,C,a,b);
为线性回归参数创建自定义联合先验模型。指定预测值的数量p
.此外,指定功能句柄priorMVTIG
,并传递超参数值。
p=3;Mdl=bayeslm(p,“ModelType”,“习俗”,“LogPDF”之前,)
mdl = customblm具有属性:numpredictors:3拦截:1 varnames:{4x1 cell} logpdf:@(params)priormvtig(params,ct,st,Dof,c,a,b)通过该功能定义:@(params)priormvtig(params,ct,st,Dof,c,a,b)
MDL.
是一个customblm
贝叶斯线性回归模型对象表示回归系数的先验分布和扰动方差。在这种情况下,bayeslm
在命令行中不显示以前发行版的摘要。
考虑线性回归模型默认漫反射先验模型.
假设这些先前的分布:
为k= 0,...,3, 它的拉普拉斯分布的均值是0,标度是 , 在哪里 是收缩参数。系数有条件地独立。
. 和 分别为逆伽马分布的形状和比例。
使用创建贝叶斯线性回归的先验模型bayeslm
.指定预测器的数量p
和变量名称。
p = 3;PriorMdl = bayeslm (p,“ModelType”,“套索”,“VarNames”,[“他们”“E”“WR”]);
PriorMdl
是一个Lassoblm.
贝叶斯线性回归模型对象表示回归系数的先验分布和扰动方差。默认情况下,bayeslm
属性的收缩0.01
截距和1
到模型中的其他系数。
使用点表示法,通过指定一个包含新值的3 × 1向量,更改所有系数的默认收缩值(除了截距)λ
财产PriorMdl
.
归因于10.
到新闻学会
和WR.
.
因为E
是否有一个比其他变量大几个数量级的尺度,归属于收缩1 e5
到它。
Lambda(2:结束)
包含与中指定变量对应的系数的收缩varnames.
财产PriorMdl
.
PriorMdl.Lambda=[10;1e5;10];
加载Nelson-Plosser数据集。为响应和预测器系列创建变量。
负载data_nelsonplosser.x = DataTable {:,priormdl.varnames(2:结束)};Y = DataTable {:,“gnpr”};
通过传递先验模型和数据进行贝叶斯拉索回归估计
,即通过估计的后验分布
和
.Bayesian Lasso回归使用Markov Chain Monte Carlo(MCMC)从后部采样。为了再现性,设置随机种子。
rng(1);后验RMDL=估计值(前验MDL,X,y);
方法:lasso MCMC sampling with 10000 draw观测数:62预测数:4 |意味着性病CI95积极的分布 ------------------------------------------------------------------------- 拦截| -1.3472 - 6.8160[-15.169,11.590]0.427经验IPI | 4.4755 - 0.1646[4.157, 4.799] 1.000经验E | 0.0001 - 0.0002[-0.000, 0.000] 0.796经验或者说是| 3.1610 - 0.3136 (2.538,11.1180 [42.319, 85.085] 1.000 Empirical Sigma2 | 60.1452
绘制后验分布图。
绘图(Postiormdl)
鉴于10次收缩,分布E
相当密集为0.因此,E
可能不是一个重要的预测因素。
NumPredictors
- - - - - -预测变量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
必须与在模型估计或模拟期间指定的预测器数据中的列数相同。
在计算模型中预测器的数量时,排除截距
.如果在截取项的预测器数据中包含一列1,则将其计算为预测器变量并指定“拦截”,假的
.
数据类型:双倍的
指定可选的逗号分隔的对名称,值
参数。名称
参数名和价值
是相应的价值。名称
必须出现在引号内。您可以以任何顺序指定多个名称和值对参数Name1, Value1,…,的家
.
“模型类型”、“共轭”、“Mu”、1:3、“V”、1000*眼(3)、“A”、1、“B”、0.5
的先验分布β
给予Sigma2.
高斯函数是均值向量吗1:3
和协方差矩阵眼睛Sigma2 * 1000 * (3)
,以及Sigma2.
是逆伽马的形状1
和规模0.5
.
“ModelType”
- - - - - -联合前提分配(β,σ2)“漫反射”
(默认)|“共轭”
|“半共轭”
|'经验'
|“习俗”
|“套索”
|“mixconjugate”
|“mixsemiconjugate”
联合前提分配(β,σ2),指定为逗号分隔对,由“ModelType”
以及下表中的值。
对于标准的贝叶斯回归模型,请在该表中选择一个值。
价值 | 描述 |
---|---|
“共轭” |
Normal-inverse-gamma共轭模型
|
“半共轭” |
Normal-inverse-gamma semiconjugate模型
可以使用 |
“漫反射” |
漫反射前分布
|
'经验' |
定制的先验分布
|
“习俗” |
定制的先验分布
|
对于执行预测变量选择的贝叶斯回归模型,请在该表中选择一个值。
价值 | 描述 |
---|---|
“mixconjugate” |
随机搜索变量选择[1]共轭先验分布
有关更多详细信息,请参阅 |
“mixsemiconjugate” |
SSVS.[1]半共轭先验分布
有关更多详细信息,请参阅 |
“套索” |
贝叶斯拉索回归先验分布[3]
|
您选择的先前模型类型取决于您对参数联合分布的假设。您的选择可能会影响后验估计和推断。有关更多详细信息,请参阅实现贝叶斯线性回归.
例子:“ModelType”、“共轭”
数据类型:char
“拦截”
- - - - - -包含回归模型截距的标志真的
(默认)|错误的
包含回归模型截距的标志,指定为逗号分隔对,由“拦截”
和这个表中的值。
价值 | 描述 |
---|---|
错误的 |
从回归模型中排除截距。所以,β是一个p 维向量,p 的价值NumPredictors . |
真的 |
在回归模型中包含截距。所以,β是一个(p +1)-维度向量。此规范导致T- 在估计和仿真期间,1向量的载体向预测数据进行预先预测。 |
如果您在拦截术语中包含一列预测器数据中的列,则指定“拦截”,假的
.
例子:“拦截”,假的
“VarNames”
- - - - - -预测变量的名字显示的预测器变量名称,指定为包括的逗号分隔对“VarNames”
以及字符向量的字符串向量或单元格向量。varnames.
必须包含NumPredictors
元素。VarNames (
是列中变量的名称j
)j
在估计、模拟或预测期间指定的预测器数据集。
默认值是{“β(1)”、“β(2)”,…,“β(
, 在哪里p
)'}p
的价值NumPredictors
.
请注意
您无法设置拦截或干扰方差的名称。在显示屏中,bayeslm
为截取提供名称截距
干扰方差Sigma2.
.因此,你不能使用“拦截”
和“sigma2”
作为预测器名称。
例子:“VarNames”,(“失业率会”;“CPI”)
数据类型:细绳
|细胞
|char
“亩”
- - - - - -高斯先前的平均封立参数β0(拦截+ NumPredictors, 1)
(默认)|数值向量上高斯先验的平均超参数β,指定为逗号分隔的配对组成“亩”
和一个数字向量。
如果μ
是一个向量,那么它一定有NumPredictors
或者numpredictors + 1
元素。
为NumPredictors
元素,bayeslm
设置该值的先前平均值NumPredictors
预测因子。预测器对应于预测器数据中的列(在估计、模拟或预测期间指定)。bayeslm
忽略模型中的截距,即,bayeslm
指定任何截取的默认优先平均值。
为numpredictors + 1
元素,第一个元素对应于前面的截距均值,所有其他元素对应于预测器。
例子:“亩”,[1;0.08;2]
数据类型:双倍的
'v'
- - - - - -Gaussian的条件协方差矩阵超公路β1E5 * EYE(拦截+ NUMPRedictors)
(默认)|对称正定矩阵上的条件协方差矩阵超参数β,指定为逗号分隔的配对组成'v'
和一个c
-经过-c
对称正定矩阵。c
可NumPredictors
或者numpredictors + 1
.
如果c
是NumPredictors
,然后bayeslm
设置先前的协方差矩阵
bayeslm
属性是截距的默认先验协方差,以及属性V
到数据中预测变量的系数。的行和列V
对应于预测器数据中的列(变量)。
如果c
是numpredictors + 1
,然后bayeslm
将整个前协方差设置为V
。第一行和第一列对应于截距。所有其他行和列对应于预测器数据中的列。
默认值为a公寓前. 为了自适应前,指定诊断接头(Inf(拦截+ NumPredictors, 1))
.自适应先验表示零精度,以便先验分布对后验分布的影响尽可能小。
为“模型类型”,共轭
,V
之前的协方差是β达到…的一个因素σ2.
例子:“V”,diag(Inf(3,1))
数据类型:双倍的
“λ”
- - - - - -套索正则化参数1
(默认)|正数标量|正数值矢量所有回归系数的套索正则化参数,指定为逗号分隔对组成“λ”
和一个正数标量或(截距
+NumPredictors
)-1个正数值矢量。更大的值λ
使相应的系数更接近于零。
认为X
是一个T
-经过-NumPredictors
在估计、模拟或预测期间指定的预测数据矩阵。
如果λ
是一个向量截距
是真的
,lambda(1)
为截距的收缩,λ(2)
收缩是第一个预测系数吗X (: 1)
,λ(3)
是第二个预测因素系数的收缩X (:, 2)
,…, 和λ(NumPredictors + 1)
是最后一个预测因子系数的收缩X (:, NumPredictors)
.
如果λ
是一个向量截距
是错误的
,lambda(1)
收缩是第一个预测系数吗X (: 1)
,…, 和λ(NumPredictors)
是最后一个预测因子系数的收缩X (:, NumPredictors)
.
如果你提供标量年代
为λ
,然后所有的预测器系数X
收缩年代
.
如果截距
是真的
,截距有收缩0.01
, 和Lassoblm.
商店(0.01;* (NumPredictors, 1)]
在λ
.
否则,,Lassoblm.
商店*的(NumPredictors, 1)
在λ
.
例子:“λ”6
数据类型:双倍的
“亩”
- - - - - -先验高斯混合的分量平均超参数β0(拦截+ NumPredictors, 2)
(默认)|数字矩阵高斯混合物的组件 - 明智的平均封面β,指定为逗号分隔的配对组成“亩”
和一个(截距+NumPredictors
)-2号数字矩阵。第一列包含用于组件1的先前手段(可变夹杂物制度,即,γ.= 1)。第二列包含组件2的先前方法(变量排除机制,即,γ.= 0)。
如果截距
是错误的
,然后μ
已NumPredictors
排。bayeslm
设置该值的先前平均值NumPredictors
与预测器数据集中的列相对应的系数,在估计、模拟或预测过程中指定。
否则,,μ
已numpredictors + 1
元素。第一元素对应于截距的先前手段,并且所有其他元素对应于预测器变量。
提示
进行SSVS时,使用默认值μ
.
数据类型:双倍的
'v'
- - - - - -高斯混合先验的分量方差因子或方差超参数βrepmat([10 0.1],Intercept + NumPredictors,1):
(默认)|正数矩阵先前高斯混合物的组件 - 方差因子或差异超公数β,指定为逗号分隔的配对组成'v'
和一个(截距+NumPredictors
)- × 2正数矩阵。第一列包含组分1的先验方差因子(变量包含机制,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)。用于共轭模型(“模型类型”,“混合共轭”
),V
包含方差因素,对于半共轭模型('modeltype','mixsememonjugate'
),V
包含variances。
如果截距
是错误的
,然后V
已NumPredictors
排。bayeslm
设置先前的方差因子NumPredictors
与预测器数据集中的列相对应的系数,在估计、模拟或预测过程中指定。
否则,,V
已numpredictors + 1
元素。第一元素对应于截距的先前方差因子,并且所有其他元素对应于预测变量。
提示
要执行SSVS,请指定更大的方差因子,用于制度1,而不是制度2.,即所有j
,指定v(
>j
1)v(
.j
2)
有关指定值的详细信息V
,请参阅[1].
数据类型:双倍的
“概率”
- - - - - -变量纳入和排除机制的先验概率分布0.5 *那些(拦截+ numpredictors,1)
(默认)|[0,1]中值的数值向量|函数处理先验概率分布的变量包含和排除机制,指定为逗号分隔对组成“概率”
和一个(截距
+NumPredictors
)中[0,1]值的数字向量,或形式的函数句柄@fcnName
, 在哪里fcnname.
是函数名。可能性
表示现有概率分布γ.= {γ.1、……γ.K},:
K=截距
+NumPredictors
,即回归模型中系数的个数。
γ.k∈{0,1}k=1、……K.因此,样本空间的基数是2K.
γ.k= 1表示变量varnames.
(
包含在模型中,并且γ.k= 0表示该变量被排除在模型之外。k
)
如果可能性
是一个数字向量:
中的行对应于变量名varnames.
.对于包含截距的模型,截距包含的先验概率为概率(1)
.
为
= 1,…,K,为排除变量的先验概率k
是1-k
可能性(
k
)。
在所有变量和截距中,变量包含机制的先验概率是独立的。
如果可能性
为函数句柄,则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(参数和函数名可以变化):
LogProb = RemimePrior(VarInc)
logprob
是一个数值标量,表示先验分布的对数。你可以把先验分布写成比例常数。
var
是一个K1逻辑向量。元素对应于中的变量名varnames.
并指出相应变量存在的区域。varinc (
=k
)真的
表明VarName (
包含在模型中,并且k
)varinc (
=k
)错误的
表示从模型中排除。
您可以包含更多的输入参数,但您必须在呼叫时知道bayeslm
.
有关指定值的详细信息可能性
,请参阅[1].
数据类型:双倍的
|function_handle
“相关”
- - - - - -先验相关矩阵β眼睛(拦截+ NumPredictors)
(默认)|数值正定矩阵先验相关矩阵β对于混合模型中的两个组件,指定为分离的逗号组成“相关”
和
一个(截距
+NumPredictors
)——- (截距
+NumPredictors
)数字,正定矩阵。因此,组件的先前协方差矩阵
在混合模型中::j
共轭(“模型类型”,“混合共轭”
),sigma2 * diag(sqrt(v(:,
j
))) *相关性*诊断接头(sqrt (V (:,j
)))
semiconjugate ('modeltype','mixsememonjugate'
),诊断(sqrt)(V)(:,
j
))) *相关性*诊断接头(sqrt (V (:,j
)))
在哪里sigma2
是σ2和V
是系数方差因子或差异的矩阵。
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,取决于政体。
请注意
你可以提供任意大小的数字矩阵。然而,如果你的说明书不是正定的,bayeslm
发出警告并替换您的规范CorrelationPD
,其中:
相关性= 0.5 *(相关+相关性。');
提示
有关指定值的详细信息相关
,请参阅[1].
数据类型:双倍的
'B'
- - - - - -先前逆伽玛的缩放超级参数σ21
(默认)|积极的标量|正
先前逆伽玛的缩放封面σ2,指定为逗号分隔的配对组成'B'
和正标量或正
.
与一个
保持固定,逆伽马分布变得更高和更集中B
增加。这种特性称重现有的模型σ2比后验估计的可能性更大。
此选项不适用于经验或自定义的先验分布。
例子:“B”,5
数据类型:双倍的
“BetaDraws”
- - - - - -从先前分配的随机样品β从先前分配的随机样品β,指定为逗号分隔的配对组成“BetaDraws”
和(截距
+NumPredictors
)-经过-NumDraws
数值矩阵。行对应于回归系数:第一行对应于截距,后续行对应于预测数据中的列。列对应于先前分布的连续绘制。
BetaDraws
和Sigma2Draws
必须具有相同的列数。
为了得到最好的结果,需要大量的样本。
数据类型:双倍的
“Sigma2Draws”
- - - - - -从先前分配的随机样品σ2从先前分配的随机样品σ2,指定为逗号分隔的配对组成“Sigma2Draws”
和一个1 -NumDraws
数字行向量。列对应于先前分布的连续抽取。
BetaDraws
和Sigma2Draws
必须具有相同的列数。
为了得到最好的结果,需要大量的样本。
数据类型:双倍的
“LogPDF”
- - - - - -联合概率密度函数的对数(β,σ2)标志的联合概率密度函数(β,σ2),指定为逗号分隔对,由“LogPDF”
和一个函数句柄。
认为logprior.
是MATLAB的名字吗®定义联合先验分布的函数(β,σ2)。然后,logprior.
必须有这张表格。
作用[logpdf,glpdf] =logprior.(参数)……结束
logpdf
是表示联合概率密度对数的数值标量(β,σ2)。
glpdf
是一个(截距
+NumPredictors
+ 1)-乘1的数字向量表示的梯度logpdf
.元素对应于参数
.
glpdf
是一个可选的输出参数,只有汉密尔顿蒙特卡罗采样器(见HMC采样器
)适用于它。如果你知道关于某些参数的解析偏导数,而不知道其他的,那么就设置元素glpdf
对应于的未知偏导数南
.MATLAB计算了缺失偏导数的数值梯度,这很方便,但降低了采样速度。
参数
是一个(截距
+NumPredictors
+ 1)-By-1数字矢量。首先截距
+NumPredictors
元素必须对应于β,最后一个元素必须对应的值σ2.第一个元素β是截距,如果存在的话。所有其他元素对应于预测数据中的预测变量,您在估计、模拟或预测期间指定这些预测变量。
例子:'logpdf',@ logprior
PriorMdl
-存储先验模型假设的贝叶斯线性回归模型Concugeattblm.
模型对象|半共轭BLM
模型对象|diffuseblm
模型对象|mixconjugateblm
模型对象|mixsemiconjugateblm
模型对象|Lassoblm.
模型对象|。。。贝叶斯线性回归模型存储先前模型假设,返回此表中的对象。
的价值模型类型 |
返回贝叶斯线性回归模型对象 |
---|---|
“共轭” |
Concugeattblm. |
“半共轭” |
半共轭BLM |
“漫反射” |
diffuseblm |
'经验' |
仿真纤维 |
“习俗” |
customblm |
“mixconjugate” |
mixconjugateblm |
“mixsemiconjugate” |
mixsemiconjugateblm |
“套索” |
Lassoblm. |
PriorMdl
仅指定线性回归模型的联合先验分布和特征。模型对象是用于进一步使用的模板。为了将数据合并到模型中进行后验分布分析,将模型对象和数据传递给适当的目标函数,例如,估计
或者模拟
.
一个贝叶斯线性回归模型处理参数β和σ2在多个线性回归(MLR)模型中yt=xtβ+ε.t作为随机变量。
为次t= 1,...,T:
yt为观察到的响应。
xt是一个1-by-(p+ 1)观察值的行向量p预测因子。为了适应模型拦截,x1t所有= 1t.
β是一个(p+ 1)组成列的变量对应的回归系数的列向量xt.
ε.t为均值为0的随机扰动,Cov(ε.)=σ2我T×T, 尽管ε.是一个T- 1载体含有所有干扰。这些假设意味着数据可能性是
ϕ(yt;xtβ,σ2)为带均值的高斯概率密度xtβ和方差σ2评估在yt;.
在考虑数据之前,您需要强制联合先验分布假设(β,σ2)。在贝叶斯分析中,通过使用从数据的可能性中获得的有关参数的信息来更新参数的分布。结果是联合后验分布(β,σ2) 或者条件后部分布的参数。
[1]乔治,e。I。和r。e。麦卡洛克。《吉布斯抽样的变量选择》美国统计协会杂志.卷。88,第423,1993,第423,PP。881-889。
[2]Koop, G., D. J. Poirier和J. L. Tobias。贝叶斯计量经济学方法.纽约,纽约:剑桥大学出版社,2007。
[3]公园,T.和G. Casella。“贝叶斯套索。”美国统计协会杂志2008年第103卷第482号,第681-686页。
다음matlab명령명령에해당하는링크를클릭클릭링크를클릭클릭
명령을실행하려면MATLAB명령창에입력하십시오。웹브라우저는MATLAB명령을지원하지않습니다。
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。