Каждая функция регрессии начинает определенную операцию. Этот раздел показывает, как использовать эти функции, чтобы выполнить определенные типы регрессий. Чтобы проиллюстрировать использование функций для различных регрессий, “типичное” использование показывают со сведенными к минимуму дополнительными аргументами. Для типичной регрессии вы оцениваете параметры модели и остаточные ковариационные матрицы с функциями mle
и оцениваете стандартные погрешности параметров модели с функциями std
. Регрессии “без недостающих данных” по существу игнорируют выборки с любыми отсутствующими значениями, и регрессии “с недостающими данными” игнорируют выборки с каждым отсутствием значения.
Многомерная нормальная регрессия или MVNR, является “стандартной” реализацией функций регрессии в программном обеспечении Financial Toolbox™.
Оцените параметры
[Parameters, Covariance] = mvnrmle(Data, Design);
Оцените стандартные погрешности
StdParameters = mvnrstd(Data, Design, Covariance);
Оцените параметры
[Parameters, Covariance] = ecmmvnrmle(Data, Design);
Оцените стандартные погрешности
StdParameters = ecmmvnrstd(Data, Design, Covariance);
Регрессия наименьших квадратов или LSR, иногда названный обычными наименьшими квадратами или несколькими линейная регрессия, является самой простой моделью линейной регрессии. Это также обладает свойством, что, независимый от базового распределения, это - лучше всего линейное несмещенное средство оценки (BLUE).
Данный m = наблюдения NumSamples
, типичная модель регрессии наименьших квадратов стремится минимизировать целевую функцию
который, в среде наибольшего правдоподобия многомерной нормальной стандартной программы регрессии mvnrmle
, эквивалентно оценке одно итерации только параметров, чтобы получить Parameters
с начальной ковариационной матрицей Covariance
, сохраненный зафиксированным как единичная матрица. В случае недостающих данных, однако, внутренний алгоритм, чтобы обработать недостающие данные требует, чтобы отдельный стандартный ecmlsrmle
сделал наименьшие квадраты вместо многомерной нормальной регрессии.
Оцените параметры
[Parameters, Covariance] = mvnrmle(Data, Design, 1);
Оцените стандартные погрешности
StdParameters = mvnrstd(Data, Design, Covariance);
Оцените параметры
[Parameters, Covariance] = ecmlsrmle(Data, Design);
Оцените стандартные погрешности
StdParameters = ecmmvnrstd(Data, Design, Covariance);
Данный m = наблюдения NUMSAMPLES
, типичный метод взвешенных наименьших квадратов ковариации или CWLS, модель регрессии стремится минимизировать целевую функцию
с фиксированной ковариацией C 0.
В большинстве случаев C 0 является диагональной матрицей. Обратная матрица имеет диагональные элементы, которые могут быть рассмотрены относительными “весами” для каждого ряда. Таким образом CWLS является формой метода взвешенных наименьших квадратов с весами, примененными через ряд.
Оцените параметры
[Parameters, Covariance] = mvnrmle(Data, Design, 1, [], [], [], Covar0);
Оцените стандартные погрешности
StdParameters = mvnrstd(Data, Design, Covariance);
Оцените параметры
[Parameters, Covariance] = ecmlsrmle(Data, Design, [], [], [], [], Covar0);
Оцените стандартные погрешности
StdParameters = ecmmvnrstd(Data, Design, Covariance);
Оперативная форма наименьших квадратов, которая имеет удивительно хорошие свойства для misspecified или ненормальных моделей, известна как выполнимые обобщенные наименьшие квадраты или FGLS. Основная процедура должна сделать регрессию наименьших квадратов и затем сделать регрессию метода взвешенных наименьших квадратов ковариации с результирующей остаточной ковариацией от первой регрессии.
Оцените параметры
[Parameters, Covariance] = mvnrmle(Data, Design, 2, 0, 0);
или (чтобы проиллюстрировать процесс FGLS явным образом)
[Parameters, Covar0] = mvnrmle(Data, Design, 1); [Parameters, Covariance] = mvnrmle(Data, Design, 1, [], [], [], Covar0);
Оцените стандартные погрешности
StdParameters = mvnrstd(Data, Design, Covariance);
Оцените параметры
[Parameters, Covar0] = ecmlsrmle(Data, Design); [Parameters, Covariance] = ecmlsrmle(Data, Design, [], [], [], [], Covar0);
Оцените стандартные погрешности
StdParameters = ecmmvnrstd(Data, Design, Covariance);
Учитывая многомерную нормальную модель регрессии в стандартной форме с матрицей Data
и массивом Design
, возможно преобразовать проблему в проблему на вид несвязанной регрессии (SUR) простым преобразованием массива Design
. Основная идея SUR состоит в том, что вместо того, чтобы иметь общий вектор параметра по всему ряду данных, у вас есть отдельный вектор параметра, сопоставленный с каждым отдельным рядом или с отличными группами рядов, которые, тем не менее, совместно используют общую остаточную ковариацию. Это - эта способность агрегировать и дезагрегировать ряд и выполнить сравнительные тесты на каждом проекте, который является степенью SUR.
Чтобы сделать преобразование, используйте функциональный convert2sur
, который преобразовывает массив проекта стандартной формы в эквивалентный массив проекта, чтобы сделать SUR с заданным отображением ряда в группы NUMGROUPS
. Функции регрессии используются обычным способом, но с массивом проекта SUR вместо массива первоначального проекта. Вместо того, чтобы иметь элементы NUMPARAMS
, вектор выходного параметра SUR имеет NUMGROUPS
сложенных оценок параметра, где первые элементы NUMPARAMS
Parameters
содержат оценки параметра, сопоставленные с первой группой рядов, следующие элементы NUMPARAMS
Parameters
содержат оценки параметра, сопоставленные со второй группой рядов и так далее. Если модель имеет только один ряд, например, NUMSERIES
= 1, то массив проекта SUR совпадает с массивом первоначального проекта, поскольку SUR требует, чтобы два или больше ряда сгенерировали отличные оценки параметра.
Учитывая параметры NUMPARAMS
и группы NUMGROUPS
с вектором параметра (Parameters
) с элементами NUMGROUPS * NUMPARAMS
от любой из стандартных программ регрессии, следующий фрагмент MATLAB® кода показывает, как распечатать таблицу оценок параметра SUR со строками, которые соответствуют каждому параметру и столбцам, которые соответствуют каждой группе или ряду:
fprintf(1,'Seemingly Unrelated Regression Parameter Estimates\n'); fprintf(1,' %7s ',' '); fprintf(1,' Group(%3d) ',1:NumGroups); fprintf(1,'\n'); for i = 1:NumParams fprintf(1,' %7d ',i); ii = i; for j = 1:NumGroups fprintf(1,'%12g ',Param(ii)); ii = ii + NumParams; end fprintf(1,'\n'); end fprintf(1,'\n');
Сформируйте проект SUR
DesignSUR = convert2sur(Design, Group);
Оцените параметры
[Parameters, Covariance] = mvnrmle(Data, DesignSUR);
Оцените стандартные погрешности
StdParameters = mvnrstd(Data, DesignSUR, Covariance);
Сформируйте проект SUR
DesignSUR = convert2sur(Design, Group);
Оцените параметры
[Parameters, Covariance] = ecmmvnrmle(Data, DesignSUR);
Оцените стандартные погрешности
StdParameters = ecmmvnrstd(Data, DesignSUR, Covariance);
Без недостающих данных можно оценить среднее значение Data
с функциональным mean
и ковариации с функциональным cov
. Тем не менее, функциональный ecmnmle
делает это для вас, если он обнаруживает отсутствие отсутствующих значений. В противном случае это использует алгоритм ECM, чтобы обработать отсутствующие значения.
Оцените параметры
[Mean, Covariance] = ecmnmle(Data);
Оцените стандартные погрешности
StdMean = ecmnstd(Data, Mean, Covariance);
convert2sur
| ecmlsrmle
| ecmlsrobj
| ecmmvnrfish
| ecmmvnrfish
| ecmmvnrmle
| ecmmvnrobj
| ecmmvnrstd
| ecmmvnrstd
| ecmnfish
| ecmnhess
| ecmninit
| ecmnmle
| ecmnobj
| ecmnstd
| mvnrfish
| mvnrmle
| mvnrobj
| mvnrstd