Многомерные нормальные функции регрессии

Программное обеспечение Financial Toolbox™ имеет много функций для многомерной нормальной регрессии с или без недостающих данных. Функции тулбокса решают четыре класса проблем регрессии с функциями, чтобы оценить параметры, стандартные погрешности, логарифмические функции правдоподобия и матрицы информации о Фишере. Четыре класса проблем регрессии:

Дополнительные функции поддержки также обеспечиваются, видят Функции поддержки.

Во всех функциях представлением MATLAB® для количества наблюдений (или выборки) является NumSamples = m, количеством ряда данных является NumSeries = n, и количеством параметров модели является NumParams = p. Функции оценки момента имеют NumSeries = NumParams.

Набор наблюдений (или выборки) хранится в матрице MATLAB Data, таким образом что

Данные(  k:)=zkT

для k = 1, ..., NumSamples, где Data является NumSamples-by-NumSeries матрица.

Для многомерной нормальной регрессии или функций наименьших квадратов, дополнительный необходимый вход является набором матриц проекта, который хранится или как матрица MATLAB или как вектор массивов ячеек, обозначенных как Design.

Если Numseries = 1, Design может быть NumSamples-by-NumParams матрица. Это - “стандартная” форма для регрессии на одном ряде данных.

Если Numseries = 1, Design может быть или массивом ячеек с отдельной ячейкой или массивом ячеек с ячейками NumSamples. Каждая ячейка в массиве ячеек содержит NumSeries-by-NumParams matrix таким образом что

Проект{k}=Hk

for k = 1, ..., NumSamples. Если Design имеет отдельную ячейку, он принят, чтобы быть той же матрицей Design для каждой выборки, таким образом что

Проект{1}=H1==Hm.

В противном случае Design должен содержать отдельные матрицы проекта для каждой выборки.

Основное различие среди четырех классов проблем регрессии зависит от того, как обработаны отсутствующие значения и где отсутствующие значения представлены как значение MATLAB NaN. Если выборка должна быть проигнорирована, учитывая какие-либо отсутствующие значения в выборке, проблемой, как говорят, является проблема “без недостающих данных”. Если выборка должна быть проигнорирована, если и только если каждый элемент выборки отсутствует, проблемой, как говорят, является проблема “с недостающими данными”, поскольку оценка должна составлять возможные значения NaN в данных.

В целом Data может или не может иметь отсутствующих значений, и Design не должен иметь никаких отсутствующих значений. В некоторых случаях, однако, если наблюдение в Data должно быть проигнорировано, соответствующие элементы в Design также проигнорированы. Консультируйтесь со страницами ссылки на функцию для деталей.

Многомерная нормальная регрессия, не пропуская данные

Можно использовать следующие функции для многомерной нормальной регрессии без недостающих данных.

mvnrmle

Оцените параметры модели, невязки и остаточную ковариацию.

mvnrstd

Оцените стандартные погрешности параметров ковариации и модели.

mvnrfish

Оцените матрицу информации о Фишере.

mvnrobj

Вычислите логарифмическую функцию правдоподобия.

Первые две функции являются основными функциями оценки. Вторые два поддерживают функции, которые могут использоваться для более детальных анализов.

Многомерная нормальная регрессия с Недостающими данными

Можно использовать следующие функции для многомерной нормальной регрессии с недостающими данными.

ecmmvnrmle

Оцените параметры модели, невязки и остаточную ковариацию.

ecmmvnrstd

Оцените стандартные погрешности параметров ковариации и модели.

ecmmvnrfish

Оцените матрицу информации о Фишере.

ecmmvnrobj

Вычислите логарифмическую функцию правдоподобия.

Первые две функции являются основными функциями оценки. Вторые два поддерживают функции, используемые для более детальных анализов.

Регрессия наименьших квадратов с Недостающими данными

Можно использовать следующие функции для регрессии наименьших квадратов с недостающими данными или для регрессии метода взвешенных наименьших квадратов ковариации с фиксированной ковариационной матрицей.

ecmlsrmle

Оцените параметры модели, невязки и остаточную ковариацию.

ecmlsrobj

Вычислите целевую функцию наименьших квадратов (псевдо логарифмическая вероятность).

Чтобы вычислить стандартные погрешности и оценки для матрицы информации о Фишере, многомерные нормальные функции регрессии с недостающими данными используются.

ecmmvnrstd

Оцените стандартные погрешности параметров ковариации и модели.

ecmmvnrfish

Оцените матрицу информации о Фишере.

Многомерная нормальная оценка параметра с Недостающими данными

Можно использовать следующие функции, чтобы оценить среднее значение и ковариацию многомерных нормальных данных.

ecmnmle

Оцените среднее значение и ковариацию данных.

ecmnstd

Оцените стандартные погрешности среднего значения и ковариацию данных.

ecmnfish

Оцените матрицу информации о Фишере.

ecmnhess

Оцените матрицу информации о Фишере использование Гессиана.

ecmnobj

Вычислите логарифмическую функцию правдоподобия.

Эти функции ведут себя немного по-другому по сравнению с более общими функциями регрессии, поскольку они решают специализированную проблему. Консультируйтесь со страницами ссылки на функцию для деталей.

Функции поддержки

Включены две функции поддержки.

convert2sur

Преобразуйте многомерную нормальную модель регрессии в модель SUR.

ecmninit

Получите первоначальные оценки для среднего значения и ковариации матрицы Data.

Функция convert2sur преобразовывает многомерную нормальную модель регрессии в на вид несвязанную регрессию, или SUR, модель. Второй функциональный ecmninit является специализированной функцией, чтобы получить начальную букву, оперативно оценивает для среднего значения и ковариации матрицы Data с недостающими данными. (Если нет никаких отсутствующих значений, оценки являются оценками наибольшего правдоподобия для среднего значения и ковариации.)

Смотрите также

| | | | | | | | | | | | | | | | | |

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте