模拟回归系数和贝叶斯线性回归模型的扰动方差
[
还从潜势分布中抽取若BetaSim
,sigma2Sim
,RegimeSim
)=模拟(___)MDL
是贝叶斯线性回归模型随机搜索变量选择(SS VS移至),即,如果MDL
是一个mixconjugateblm
要么mixsemiconjugateblm
模型对象。
考虑多元线性回归模型,预测美国的实际国内生产总值(GNPR
)通过使用工业生产指数的线性组合(IPI
),总就业(Ë
)和实际工资(WR
)。
对所有 , 是具有0和方差的平均一系列独立的高斯干扰的 。
假设这些先验分布:
。 是的手段一个4×1向量,以及 是一个4×4正定协方差矩阵。
。 和 是一个逆伽马分布的形状和规模,分别。
这些假设和数据似然性暗示的正逆伽马共轭模型。
加载纳尔逊 - 普洛瑟数据集。创建响应和预测序列变量。
加载Data_NelsonPlosservarNames = {'IPI''E''WR'};X = {数据表:,varNames};Y = {数据表:,“GNPR”};
创建用于线性回归参数的正逆伽马共轭先验模型。指定预测器的数量p
和变量名。
P = 3;PriorMdl = bayeslm(P,'ModelType',“共轭”,'VarNames',varNames);
PriorMdl
是一个conjugateblm
表示回归系数和干扰方差的先验分布贝叶斯线性回归模型对象。
模拟的一组回归系数和来自先验分布的扰动方差的值。
RNG(1);%用于重现[betaSimPrior,sigma2SimPrior] =模拟(PriorMdl)
betaSimPrior =4×1-33.5917 -49.1445 -37.4492 -25.3632
sigma2SimPrior = 0.1962
betaSimPrior
在随机抽取的对应于名称4×1向量回归系数的PriorMdl.VarNames
。该sigma2SimPrior
输出是随机抽取的标量方差的干扰。
估计后验分布。
PosteriorMdl =估计(PriorMdl,X,Y);
方法:分析后验分布若干意见:62数量预测的:4登录边缘似然:-259.348 |均值标准CI95正分布-----------------------------------------------------------------------------------拦截|-24.2494 8.7821 [-41.514,-6.985]0.003吨(-24.25,8.65 ^ 2,68)IPI |4.3913 0.1414 [4.113,4.669]1.000吨(4.39,0.14 ^ 2,68)E |0.0011 0.0003 [0.000,0.002]1.000吨(0.00,0.00 ^ 2,68)WR |2.4683 0.3490 [1.782,3.154]1.000吨(2.47,0.34 ^ 2,68)西格玛-2 |44.1347 7.8020 [31.427,61.855] 1.000 IG(34.00,0.00069)
PosteriorMdl
是一个conjugateblm
表示回归系数和干扰方差的后验分布的贝叶斯线性回归模型对象。
模拟的一组回归系数和从后验分布的扰动方差的值。
[betaSimPost, sigma2SimPost] =模拟(PosteriorMdl)
betaSimPost =4×1-25.9351 4.4379 0.0012 2.4072
sigma2SimPost = 41.9575
betaSimPost
和sigma2SimPost
具有相同的尺寸betaSimPrior
和sigma2SimPrior
分别但从后绘制。
考虑回归模型模拟先验分布和后验分布的参数值。
加载的数据,并创建用于回归系数和干扰方差的缀合物先验模型。然后,估计后验分布,并返回估计汇总表。
加载Data_NelsonPlosservarNames = {'IPI''E''WR'};X = {数据表:,varNames};Y = {数据表:,“GNPR”};P = 3;PriorMdl = bayeslm(P,'ModelType',“共轭”,'VarNames',varNames);[PosteriorMdl,总结]=估计(PriorMdl, X, y);
方法:分析后验分布若干意见:62数量预测的:4登录边缘似然:-259.348 |均值标准CI95正分布-----------------------------------------------------------------------------------拦截|-24.2494 8.7821 [-41.514,-6.985]0.003吨(-24.25,8.65 ^ 2,68)IPI |4.3913 0.1414 [4.113,4.669]1.000吨(4.39,0.14 ^ 2,68)E |0.0011 0.0003 [0.000,0.002]1.000吨(0.00,0.00 ^ 2,68)WR |2.4683 0.3490 [1.782,3.154]1.000吨(2.47,0.34 ^ 2,68)西格玛-2 |44.1347 7.8020 [31.427,61.855] 1.000 IG(34.00,0.00069)
摘要
是一个包含统计数据的表吗估计
显示在命令行。
虽然边缘和条件后验分布 和 都是易分析处理的,这个例子着重于如何实现吉布斯采样器,以再现已知的结果。
再次估计模型,但要使用吉布斯采样器。交替从参数的条件后验分布中采样。采样10,000次并为预分配创建变量。从有条件的后验开始采样 特定 。
米= 1E4;BetaDraws =零(P + 1,M);sigma2Draws =零(1,M + 1);sigma2Draws(1)= 2;RNG(1);%用于重现对于j = 1:m BetaDraws(:,j) =模拟(PriorMdl,X,y,“Sigma2”sigma2Draws (j));[~, sigma2draw (j + 1)] =模拟(PriorMdl,X,y,“β”BetaDraws (:, j));结束sigma2Draws = sigma2Draws(2:结束);%取下MCMC样品初始值
该参数的图形痕迹地块。
图;对于j = 1:(p + 1);次要情节(2,2,j);情节(BetaDraws (j,:)) ylabel (“MCMC绘制”)xlabel(“模拟指数”)标题(sprintf ('Trace Plot - %s',PriorMdl.VarNames {Ĵ}));结束
图;情节(sigma2Draws) ylabel (“MCMC绘制”)xlabel(“模拟指数”)标题(“Trace plot - Sigma2”)
马尔可夫链蒙特卡罗(MCMC)样本具有较好的收敛性和混合性能。
应用1000个绘制的老化周期,然后计算MCMC样本的平均值和标准差。将它们与估算值进行比较估计
。
BP = 1000;postBetaMean =平均(BetaDraws(:,(BP + 1):结束),2);postSigma2Mean =平均(sigma2Draws(:,(BP + 1):结束));postBetaStd = STD(BetaDraws(:,(BP + 1):结束),[],2);postSigma2Std = STD(sigma2Draws((BP + 1):结束));[摘要(:,1:2),表([postBetaMean; postSigma2Mean]...[postBetaStd;postSigma2Std),'VariableNames'{“GibbsMean”,“GibbsStd”})]
ANS =5×4表标准的标准的三进路是标准的三进路是标准的三进路是标准的三进路是标准的三进路是标准的三进路是标准的三进路是标准的三进路是标准的三进路是标准的三进路是标准的三进路是标准的三进路是标准的三进路是标准的三进路是标准的三进路是标准的三进路是标准的三进路是标准的三进路是标准的三进路是标准的三进路是标准的三进路是标准的三进路是标准的三进路是标准的三进路是标准的三进路
这些估计都非常接近。MCMC变化占的差异。
考虑回归模型模拟先验分布和后验分布的参数值。
假定这些先验分布 = 0,…,3:
,其中 和 是独立的标准正态随机变量。因此,系数呈高斯混合分布。假设所有系数都是先验的条件独立的,但它们依赖于扰动方差。
。 和 是一个逆伽马分布的形状和规模,分别。
它表示具有离散均匀分布随机变量模型 - 包裹体状态变量。
创建执行的SSVs采用现有的模型。假使,假设
和
是相关的(共轭混合模型)。指定预测器的数量p
以及回归系数的名称。
P = 3;PriorMdl = mixconjugateblm(P,'VarNames'[“他们”“E”“WR”]);
加载纳尔逊 - 普洛瑟数据集。创建响应和预测序列变量。
加载Data_NelsonPlosserX = {数据表:,PriorMdl.VarNames(2:结束)};Y = {数据表:,“GNPR”};
计算可能的状态数,即模型中包含和排除变量所产生的组合数。
cardRegime = 2 ^(PriorMdl.Intercept + PriorMdl.NumPredictors)
cardRegime = 16
从后验分布模拟万个政权。
RNG(1);[〜,〜,RegimeSim] =模拟(PriorMdl,X,Y,'NumDraws',10000);
RegimeSim
是一个4×1000个逻辑矩阵。行对应的变量Mdl.VarNames
和列对应于从后验分布绘制。
绘制走访制度的柱状图。重新编码制度,使它们可读。具体而言,对于每个制度,创建一个字符串,它识别在模型中的变量,并用点分开的变量。
cRegime = num2cell(RegimeSim,1);cRegime =分类(cellfun(@(c)中加入(PriorMdl.VarNames(c)中,“”),cRegime));cRegime(ISMISSING(cRegime))=“NoCoefficients”;直方图(cRegime);标题(“变量包括在模型”)ylabel(“频率”);
计算变量夹杂物的边缘后验概率。
表(平均值(RegimeSim,2),“RowNames”PriorMdl.VarNames,...'VariableNames',“政权”)
ANS =4×1表制度______拦截0.8829 IPI 0.4547Ë0.098 WR 0.1692
考虑包含一个预测贝叶斯线性回归模型,和一个Ť分布扰动方差具有一个轮廓的自由度参数 。
。
这些假设意味着:
是潜在标度参数的一个向量,它将较低的精度归因于远离回归线的观测值。 超参数控制的影响 在观察。
对于这个问题,Gibbs sampler非常适合估计系数,因为您可以模拟贝叶斯线性回归模型的参数 ,然后模拟 从它的条件分布。
生成 的回应 哪里 和 。
RNG('默认');N = 100;X = linspace(0,2,N)';B0 = 1;B1 = 2;西格玛= 0.5;E = randn(N,1);Y = B0 + B1 * X +西格玛* E;
通过膨胀下面的所有响应来引入外围响应 通过3倍。
Y(X <0.25)= Y(X <0.25)* 3;
适合于该数据的线性模型。图中的数据和拟合回归直线。
MDL = fitlm(X,Y)
MDL =线性回归模型为:y〜1个+ X1估计系数:估计SE TSTAT p值________ _______ ______ __________(截距)2.6814 0.28433 9.4304 2.0859e-15 X1观察0.78974 0.24562 3.2153 0.0017653号:100,错误自由度:98根均方误差:1.43 R平方:0.0954,调整R平方:0.0862 F统计与常数模型:10.3,p值= 0.00177
图;情节(Mdl);hl =传奇;持有上;
模拟的异常值出现影响拟合回归直线。
实现此吉布斯采样:
从后验分布的参数绘制
。通过放气的意见
,创建一个具有两个回归系数的扩散先验模型,并从后验中绘制一组参数。第一个回归系数对应于截距,因此指定bayeslm
不包括截距。
计算残差。
从条件后得出的值 。
运行Gibbs sampler进行20,000次迭代,并应用5000次老化周期。指定 ,预分配的后得出,并初始化 变成一个向量。
m = 20000;ν= 1;燃烧= 5000;= 1 (n,m + 1);estBeta = 0 (2,m + 1);estSigma2 = 0 (1,m + 1);对于j = 1:m yDef = y /√(lambda(:,j));xDef = [ones(n,1) x]./√(lambda(:,j));PriorMdl = bayeslm (2'模型',“扩散”,“拦截”,假);[estBeta(:,J + 1),estSigma2(1,J + 1)] =模拟(PriorMdl,xDef,yDef);EP = Y - [一(N,1)X] * estBeta(:,J + 1);SP =(NU + 1)/ 2;。SC = 2./(nu + EP ^ 2 / estSigma2(1,J + 1));拉姆达(:,J + 1)= 1./gamrnd(sp,sc);结束
一个好的实践是通过检查跟踪图来诊断MCMC采样器。为了简单起见,这个示例跳过了这个任务。
计算平均值的从回归系数后得出。删除老化时间绘制。
后测=平均值(estBeta(:,(burnin + 1):end),2)
postEstBeta =2×11.3971 1.7051
截距的估计值较低,而斜率则高于返回的估计值fitlm
。
绘制与装配通过最小二乘回归直线的稳健回归线。
甘氨胆酸h =;xlim = h.XLim ';plotY = [ones(2,1) xlim]*postEstBeta;情节(xlim plotY,“线宽”2);霍奇金淋巴瘤。{4}=字符串“稳健贝叶斯;
使用强大的贝叶斯回归出现的回归拟合线是一个更好的选择。
的最大后验概率(MAP)估计是后侧模式,即,参数值产生最大后验概率密度。如果是后分析棘手的,那么你可以使用蒙特卡罗抽样估计MAP。
考虑线性回归模型模拟先验分布和后验分布的参数值。
加载纳尔逊 - 普洛瑟数据集。创建响应和预测序列变量。
加载Data_NelsonPlosservarNames = {'IPI''E''WR'};X = {数据表:,varNames};Y = {数据表:,“GNPR”};
创建用于线性回归参数的正逆伽马共轭先验模型。指定预测器的数量p
和变量名。
P = 3;PriorMdl = bayeslm(P,'ModelType',“共轭”,'VarNames',varNames)
PriorMdl = conjugateblm与属性:NumPredictors:3截取:1个VarNames:{4X1细胞}穆:[4X1双】V:[4×4双] A:3 B:1 |均值标准CI95正分布-----------------------------------------------------------------------------------拦截|0 70.7107 [-141.273,141.273]0.500吨(0.00,57.74 ^ 2,6)IPI |0 70.7107 [-141.273,141.273]0.500吨(0.00,57.74 ^ 2,6)E |0 70.7107 [-141.273,141.273]0.500吨(0.00,57.74 ^ 2,6)WR |0 70.7107 [-141.273,141.273]0.500吨(0.00,57.74 ^ 2,6)西格玛-2 |0.5000 0.5000 [0.138,1.616] 1.000 IG(3.00,1)
估计的边际后验分布 和 。
RNG(1);%用于重现PosteriorMdl =估计(PriorMdl,X,Y);
方法:分析后验分布若干意见:62数量预测的:4登录边缘似然:-259.348 |均值标准CI95正分布-----------------------------------------------------------------------------------拦截|-24.2494 8.7821 [-41.514,-6.985]0.003吨(-24.25,8.65 ^ 2,68)IPI |4.3913 0.1414 [4.113,4.669]1.000吨(4.39,0.14 ^ 2,68)E |0.0011 0.0003 [0.000,0.002]1.000吨(0.00,0.00 ^ 2,68)WR |2.4683 0.3490 [1.782,3.154]1.000吨(2.47,0.34 ^ 2,68)西格玛-2 |44.1347 7.8020 [31.427,61.855] 1.000 IG(34.00,0.00069)
显示包括边缘后验分布统计。
提取的后验均值
从后部模型,并提取的后协方差
从估算汇总返回由总结
。
estBetaMean = PosteriorMdl.Mu;摘要=总结(PosteriorMdl);EstBetaCov =总结。协方差{1:(end - 1),1:(end - 1)};
estBetaMean
是表示平均值的边缘后验的4×1矢量
。EstBetaCov
4×4矩阵是否表示的是后验的协方差矩阵
。
从后验分布绘制万的参数值。
RNG(1);%用于重现[BetaSim, sigma2Sim] =模拟(PosteriorMdl,'NumDraws',1E5);
BetaSim
是随机抽取的回归系数的4乘万矩阵。sigma2Sim
是随机抽取的干扰方差的1逐万矢量。
对回归系数矩阵进行转置和标准化。计算回归系数的相关矩阵。
estBetaStd = SQRT(DIAG(EstBetaCov)');BetaSim = BetaSim';BetaSimStd =(BetaSim - estBetaMean')./ estBetaStd;BetaCorr = corrcov(EstBetaCov);BetaCorr =(BetaCorr + BetaCorr')/ 2;%强制对称
由于边缘后验分布是已知的,评估在所有模拟值的后验概率密度。
betaPDF = mvtpdf(BetaSimStd,BetaCorr,68);A = 34;B = 0.00069;igPDF = @(X,AP,BP)1 ./(γ-(AP)* bp的^ AP。)* X ^。( - AP-1)。* EXP(-1 ./(X * bp)的);...%反伽玛PDFsigma2PDF = igPDF (sigma2Sim, a, b);
查找模拟值,最大限度地提高各自的PDF文件,也就是后的模式。
[~,idxMAPBeta] = max (betaPDF);[~,idxMAPSigma2] = max (sigma2PDF);betaMAP = BetaSim (idxMAPBeta:);sigma2MAP = sigma2Sim (idxMAPSigma2);
betaMAP
和sigma2MAP
是MAP估计。
由于后 是对称的,单峰,后均值和MAP应该是相同的。比较的图估计 其平均后路。
表(betaMAP”,PosteriorMdl.Mu,'VariableNames'{“地图”,'意思'},...“RowNames”PriorMdl.VarNames)
ANS =4×2表MAP平均_________ _________拦截-24.559 -24.249 IPI 4.3964 4.3913Ë0.0011389 0.0011202 WR 2.4473 2.4683
这两个估计值相当接近。
的后验分析模式 。比较它的估计MAP 。
igMode = 1 /(B *(A + 1))
igMode = 41.4079
sigma2MAP
sigma2MAP = 41.4075
这些估计也相当接近。
MDL
-贝叶斯线性回归模型conjugateblm
模型对象|semiconjugateblm
模型对象|diffuseblm
模型对象|mixconjugateblm
模型对象|lassoblm
模型对象标准贝叶斯线性回归模型或模型预测变量的选择,指定为在该表中的模型对象。
模型对象 | 描述 |
---|---|
conjugateblm |
返回的相依的、正-反-共轭模型bayeslm 要么估计 |
semiconjugateblm |
所返回的独立、正-反-伽玛半聚门模型bayeslm |
diffuseblm |
扩散先验模型由归国bayeslm |
empiricalblm |
先验模型的特征是样本来自先验分布,由bayeslm 要么估计 |
customblm |
该声明由归国之前分布函数bayeslm |
mixconjugateblm |
相关的,用于SSVS预测变量选择的gaussi -mix -inverse-gamma共轭模型,由bayeslm |
mixsemiconjugateblm |
独立,为SS VS移至预测变量选择高斯混合物逆伽马semiconjugate模型,通过返回bayeslm |
lassoblm |
贝叶斯套索回归模型通过返回bayeslm |
通常情况下,模型对象通过返回估计
表示边缘后验分布。当你用估计
如果您指定的条件后验的估计,然后估计
返回先前的模式。
如果提供lassoblm
,mixconjugateblm
,或mixsemiconjugateblm
模型对象,提供数据X
和ÿ
和从后绘制一个值,那么最好的做法是通过指定初始化Gibbs抽样BetaStart
和Sigma2Start
名称-值对参数。
ÿ
-响应数据对于多元线性回归模型的响应数据,指定为与数字向量numObservations
元素。
数据类型:双
指定可选的用逗号分隔的对名称,值
参数。的名字
是参数的名称和值
是对应的值。的名字
必须出现引号内。您可以按照任何顺序指定多个名称和值对参数名1,值1,...,NameN,值N
。
“Sigma2”, 2
指定从给出的回归系数的条件后验分布模拟数据和指定干扰方差2
。
“燃烧”
-数提请remove从样品的开始0
(默认)|非负标数绘制以从样品的开头删除,以减少瞬态效应,指定为逗号分隔的一对组成的“燃烧”
和一个非负标量。有关如何详细信息模拟
降低了全样本见算法。
帮助您指定适当的老化周期大小:
通过指定确定样本中的瞬态行为的程度“燃烧”,0
。
模拟几千观察使用模拟
。
画跟踪情节。
例:“燃烧”,0
数据类型:双
'BetaStart'
-开始回归系数的值采样开始回归系数的值的采样器,指定为逗号分隔的一对组成的'BetaStart'
和数值列向量,其具有(Mdl.Intercept
+Mdl.NumPredictors
)元素。默认情况下,BetaStart
是普通最小二乘(OLS)估计。
一个好的做法是将运行模拟
多次使用不同的参数初始值。验证每次运行你的估计收敛到类似的值。
例:'BetaStart',[1;2;3]
数据类型:双
'Sigma2Start'
-开始干扰方差值采样开始干扰方差为取样器的值,指定为逗号分隔的一对组成的'Sigma2Start'
和一个正的数字标量。默认情况下,Sigma2Start
为OLS残差的均方误差。
一个好的做法是将运行模拟
多次使用不同的参数初始值。验证每次运行你的估计收敛到类似的值。
例:'Sigma2Start',4
数据类型:双
'RegimeStart'
-开始潜伏制度的值采样真(Mdl.Intercept + Mdl.NumPredictors)
(默认)|逻辑列向量启动潜制度的值采样,指定为逗号分隔的一对组成的'RegimeStart'
和一个逻辑列向量与(Mdl.Intercept
+Mdl.NumPredictors
)元素。RegimeStart(
=ķ
)真正
表示该变量的夹杂物Mdl.VarNames (
和ķ
)RegimeStart(
=ķ
)假
表示该变量的排斥。
一个好的做法是将运行模拟
多次使用不同的参数初始值。验证每次运行你的估计收敛到类似的值。
例:'RegimeStart',逻辑(兰迪([0 1],Mdl.Intercept + Mdl.NumPredictors,1))
数据类型:双
“Reparameterize”
-的重新参数σ2日志(σ2)假
(默认)|真正
的重新参数σ2日志(σ2)后估计和模拟,指定为逗号分隔的一对组成的期间“Reparameterize”
并在此表中的值。
值 | 描述 |
---|---|
假 |
模拟 不重新参数σ2。 |
真正 |
模拟 reparameterizesσ2日志(σ2)。模拟 转换结果返回到原来的规模和不会改变的函数形式PriorMdl.LogPDF 。 |
如果你的后估计或模拟过程中遇到的数字不稳定性σ2,然后指定“重新参数化”,真正的
。
例:“重新参数化”,真正的
数据类型:合乎逻辑
的取样器
-密度取样器'切片'
(默认)|“大都市”
|'HMC'
MCMC采样器,指定为逗号分隔对,由的取样器
并在此表中的值。
值 | 描述 |
---|---|
'切片' |
切片取样 |
“大都市” |
随机游走都市采样 |
'HMC' |
哈密顿蒙特卡洛(HMC)采样 |
要提高MCMC绘制的质量,请调整采样器。
在调用模拟
,通过使用来指定调优参数及其值sampleroptions
。例如,指定切片采样器的宽度宽度
使用:
选项= sampleroptions(的取样器,“切片”,'宽度',宽度);
指定包含由返回的调谐参数规范的对象sampleroptions
通过使用“选项”
名称-值对的论点。例如,要在其中使用调优参数规范选项
,指定:
“选项”,选择
如果指定了HMC取样,那么最好的做法是为某些变量提供梯度,至少。模拟
求任何缺失的偏导数的数值计算(为NaN
值)在梯度矢量。
例:'采样', “HMC”
数据类型:串
“选项”
-取样器的选择[]
(默认)|结构阵列采样器选项,指定为逗号分隔对组成的“选项”
和结构数组返回由sampleroptions
。采用“选项”
指定MCMC采样器及其调优参数值。
例:“选项”,sampleroptions(取样器,hmc)
数据类型:结构体
'宽度'
-典型取样间隔宽度围绕在用于切片采样器的边缘分布的电流值的典型取样间隔的宽度,被指定为逗号分隔的一对组成的'宽度'
和正的数值标量或一个(PriorMdl.Intercept
+PriorMdl.NumPredictors
+1
)正值×1数值向量。第一元件对应于模型截距,如果一个模型中的存在。下一个PriorMdl.NumPredictors
元件对应于由预测数据列有序预测变量的系数。最后一个元素对应型号的差异。
如果宽度
是一个标量,然后模拟
适用宽度
所有PriorMdl.NumPredictors
+PriorMdl.Intercept
+1
边缘分布。
如果宽度
是数值向量,则模拟
将第一个元素应用于截距(如果存在),则应用下一个元素PriorMdl.NumPredictors
元件,以回归系数对应于预测变量X
和最后一个元素的扰动变化。
如果样品大小(大小(X, 1)
)小于100,那么宽度
是10
默认。
如果样本大小为至少100,然后模拟
套宽度
在默认情况下对应后的标准偏差,假定的漫先验模型的向量(diffuseblm
)。
切片采样器的典型宽度不影响MCMC样品的收敛性。它会影响所需的功能评价的数量,也就是算法的效率。如果宽度太小,则该算法可以实现功能的评价的数量过多,以确定适当的采样宽度。如果宽度过大,则算法可能需要的宽度减少到合适的大小,这就需要功能评估。
模拟
发送宽度
到slicesample
函数。有关详细信息,请参阅slicesample
。
为了获得最大的灵活性,指定切片采样宽度宽度
通过使用“选项”
名称-值对的论点。例如:
“选项”sampleroptions (的取样器,“切片”,'宽度',宽度)
例:'宽度',[100个*也是(3,1); 10]
BetaSim
- 模拟回归系数模拟回归系数,返回一个(Mdl.Intercept
+Mdl.NumPredictors
)-通过-NumDraws
数字矩阵。行对应的变量Mdl.VarNames
,而列对应于从分布中单独、连续、独立的抽取。
sigma2Sim
- 模拟干扰方差模拟干扰方差,返回为1逐NumDraws
正值的数值向量。列对应于个体,连续的,独立的从分配绘制。
RegimeSim
——模拟政权模拟制度表示从模型变量包括或排除,返回一个(Mdl.Intercept
+Mdl.NumPredictors
)-通过-NumDraws
逻辑矩阵。行对应的变量Mdl.VarNames
,而列对应于从分布中单独、连续、独立的抽取。
模拟
回报政权
除非MDL
是一个mixconjugateblm
要么mixsemiconjugateblm
模型对象。
RegimeSim(
=ķ
,d
)真正
表示该变量的夹杂物Mdl.VarNames (
在绘制模型中ķ
)
和d
RegimeSim(
=ķ
,d
)假
表明变量的抽奖模式排除
。d
模拟
不能从借鉴价值分配不当,即密度不等于1的分布。
如果MDL
是一个empiricalblm
模型对象,那么你可以不指定β
要么σ-2
。你不能用经验分布来模拟条件后验分布。
一个贝叶斯线性回归模型将参数β和σ2在多元线性回归(MLR)模型ÿŤ=XŤβ+εŤ为随机变量。
对于倍Ť= 1,…,Ť:
ÿŤ是观察到的响应。
XŤ是1副(p+ 1)的观测值的行向量p预测。为了适应模型截距,X1Ť= 1对于所有Ť。
β是(p的各列所对应的回归系数的列向量XŤ。
εŤ是零和冠状病毒平均随机干扰(ε)=σ2一世Ť×Ť,而ε是一个Ť×1包含所有的干扰向量。这些假设意味着数据可能是
φ(ÿŤ;XŤβ,σ2)是具有均值的高斯概率密度XŤβ和方差σ2评估在ÿŤ;。
在考虑数据之前,您施加a联合先验分布假设上(β,σ2)。在贝叶斯分析中,可以使用关于从数据的似然所获得的参数的信息更新所述参数的分布。其结果是联合后验分布的(β,σ2) 或者有条件的后验分布的参数。
每当模拟
当必须估计的后验分布(例如,MDL
代表先验分布和您提供X
和ÿ
)和后部是易处理的分析,模拟
直接从后模拟。否则,模拟
诉诸蒙特卡罗模拟来估计的后验。有关详细信息,请参阅验后估计与推理。
如果MDL
那么关节后验模型呢模拟
以不同的方式从其中模拟数据MDL
你们提供的是联合先验模型吗X
和ÿ
。因此,如果你设置了相同的随机种子和生成的随机值两种方式,那么你可能无法获得相同的值。然而,基于足够数量的绘制对应经验分布实际上等同。
此图显示了模拟
通过使用的值降低了样品NumDraws
,瘦
和模拟运行
。
矩形表示连续从分配绘制。模拟
去除来自样品的白色矩形。剩余的NumDraws
黑色矩形构成的样品。
如果MDL
是一个semiconjugateblm
模型对象,然后模拟
应用吉布斯采样器从后验分布中取样。
模拟
使用默认值Sigma2Start
对于σ2并提请值β从π(β|σ2,X,ÿ)。
模拟
绘制的值σ2从π(σ2|β,X,ÿ)通过使用先前生成的值β。
函数重复步骤1和2直到收敛。为了评估收敛,抽取样本的轨迹曲线。
如果您指定BetaStart
, 然后模拟
绘制的值σ2从π(σ2|β,X,ÿ)开始吉布斯采样。模拟
不返回的这个生成值σ2。
如果MDL
是一个empiricalblm
模型对象,而你没有供应X
和ÿ
, 然后模拟
从平Mdl.BetaDraws
和Mdl.Sigma2Draws
。如果NumDraws
小于或等于numel(Mdl.Sigma2Draws)
, 然后模拟
返回第一个NumDraws
要点Mdl.BetaDraws
和Mdl.Sigma2Draws
作为随机抽取的对应参数。否则,模拟
随机重新取样NumDraws
从要素Mdl.BetaDraws
和Mdl.Sigma2Draws
。
如果MDL
是一个customblm
模型对象,然后模拟
使用一个MCMC采样器从后验分布绘制。在每次迭代中,该软件串接回归系数的当前值和干扰方差成(Mdl.Intercept
+Mdl.NumPredictors
+ 1)- 1向量,并将它传递给Mdl.LogPDF
。干扰方差的值是该矢量的最后一个元素。
该HMC取样器既需要数密度及其梯度。梯度应该是一个(NumPredictors +截距+ 1)
×1向量。如果某些参数的衍生物是难以计算,然后,在梯度的对应位置,供给为NaN
值来代替。模拟
内容替换为NaN
与数值衍生物值。
如果MDL
是一个lassoblm
,mixconjugateblm
,或mixsemiconjugateblm
模型对象和您提供X
和ÿ
, 然后模拟
应用吉布斯采样器从后验分布中取样。如果你不提供数据,然后模拟
从分析的,无条件的先验分布样本。
模拟
不返回默认的初始值,它生成。
如果MDL
是一个mixconjugateblm
要么mixsemiconjugateblm
, 然后模拟
从政权分布绘制第一,给定链的当前状态(的值RegimeStart
,BetaStart
和Sigma2Start
)。如果你画一个样本,并没有为指定值RegimeStart
,BetaStart
和Sigma2Start
, 然后模拟
使用默认值,并发出警告。
conjugateblm
|customblm
|diffuseblm
|empiricalblm
|lassoblm
|mixconjugateblm
|mixsemiconjugateblm
|semiconjugateblm
아래MATLAB명령에해당하는링크를클릭하셨습니다。
이명령을MATLAB명령창에입력해실행하십시오。웹브라우저에서는MATLAB명령을지원하지않습니다。
你也可以从以下列表中选择一个网站:
选择最佳的网站性能的中国网站(在中国或英文)。其他MathWorks的国家网站都没有从您的位置访问进行了优化。