Отрицательная логарифмическая вероятность для многомерной регрессии
nlogL = mvregresslike(X,Y,b,SIGMA,
alg
)
[nlogL,COVB] = mvregresslike(...)
[nlogL,COVB] = mvregresslike(...,type
,format
)
nlogL = mvregresslike(X,Y,b,SIGMA,
вычисляет отрицательную логарифмическую вероятность alg
)nlogL
для многомерной регрессии d - размерные многомерные наблюдения в n-by-d матричный Y
на переменных прогноза в матричном или массиве ячеек X
, оцененный для p-by-1 вектор-столбец b
содействующих оценок и d-by-d матричный SIGMA
, задающий ковариацию строки Y
. Если d = 1, X
может быть n-by-p матрица проекта переменных прогноза. Для любого значения d X
может также быть массивом ячеек длины n с каждой ячейкой, содержащей d-by-p матрица проекта для одного многомерного наблюдения. Если все наблюдения имеют тот же d-by-p матрица проекта, X
может быть отдельной ячейкой.
Значения NaN
в X
или Y
приняты как пропавшие без вести. Наблюдения с отсутствующими значениями в X
проигнорированы. Обработка отсутствующих значений в Y
зависит от алгоритма, заданного alg
.
alg
должен соответствовать, алгоритм, используемый mvregress
, чтобы получить коэффициент, оценивает b
и должен быть одним из следующего:
'ecm'
— Алгоритм ECM
'cwls'
— Наименьшие квадраты условно взвешиваются SIGMA
'mvn'
— Многомерные нормальные оценки, вычисленные после исключения строк с любыми отсутствующими значениями в Y
[nlogL,COVB] = mvregresslike(...)
также возвращает предполагаемую ковариационную матрицу, COVB
параметра оценивает b
.
[nlogL,COVB] = mvregresslike(...,
задает тип и формат type
,format
)COVB
.
type
также:
'hessian'
— Использовать Гессиан или наблюдаемую информацию. Этот метод учитывает увеличенную неуверенность из-за недостающих данных. Это значение по умолчанию.
'fisher'
— Использовать Фишера или ожидаемую информацию. Этот метод использует полные данные, ожидал информацию и не включает неуверенность из-за недостающих данных.
format
также:
\beta
Вычислить COVB
для b
только. Это значение по умолчанию.
полный
Вычислить COVB
и для b
и для SIGMA
.