Байесовы модели линейной регрессии

Следующая оценка, симуляция и выбор переменного предиктора с помощью множества предшествующих моделей для коэффициентов регрессии и отклонения воздействия

Байесовы модели линейной регрессии обрабатывают коэффициенты регрессии и отклонение воздействия как случайные переменные, а не зафиксированные но неизвестные количества. Это предположение приводит к более гибкой модели и интуитивным выводам. Для получения дополнительной информации смотрите Байесовую Линейную регрессию.

Чтобы запустить Байесов анализ линейной регрессии, создайте стандартный объект модели, который лучше всего описывает ваши предшествующие предположения на совместном распределении отклонения воздействия и коэффициентов регрессии. Затем с помощью модели и данных, можно оценить характеристики апостериорных распределений, симулировать от апостериорных распределений или предсказать ответы с помощью прогнозирующего апостериорного распределения.

В качестве альтернативы можно выполнить выбор переменного предиктора путем работы с объектом модели для Байесового выбора переменной.

Объекты

развернуть все

conjugateblmБайесова модель линейной регрессии с сопряженным, предшествующим для вероятности данных
semiconjugateblmБайесова модель линейной регрессии с полусопряженным, предшествующим для вероятности данных
diffuseblmБайесова модель линейной регрессии с рассеянным, сопряженным предшествующий для вероятности данных
empiricalblmБайесова модель линейной регрессии с выборками от предшествующих или апостериорных распределений
customblmБайесова модель линейной регрессии с пользовательским объединенным предшествующим распределением
mixconjugateblmБайесова модель линейной регрессии с сопряженным уголовным прошлым для стохастического поискового выбора переменной (SSVS)
mixsemiconjugateblmБайесова модель линейной регрессии с полусопряженным уголовным прошлым для стохастического поискового выбора переменной (SSVS)
lassoblmБайесова модель линейной регрессии с регуляризацией лассо

Функции

развернуть все

bayeslmСоздайте Байесов объект модели линейной регрессии
estimateПодходящие параметры Байесовой модели линейной регрессии к данным
summarizeСтатистика сводных данных распределения стандартной Байесовой модели линейной регрессии
plotВизуализируйте предшествующую и следующую плотность Байесовых параметров модели линейной регрессии
estimateВыполните выбор переменного предиктора для Байесовых моделей линейной регрессии
summarizeСтатистика сводных данных распределения Байесовой модели линейной регрессии для выбора переменного предиктора
plotВизуализируйте предшествующую и следующую плотность Байесовых параметров модели линейной регрессии
simulateСимулируйте коэффициенты регрессии и отклонение воздействия Байесовой модели линейной регрессии
sampleroptionsСоздайте опции сэмплера Цепи Маркова Монте-Карло (MCMC)
forecastПредскажите ответы Байесовой модели линейной регрессии

Темы

Байесова линейная регрессия

Узнайте о Байесовых исследованиях и как представление Bayesian линейной регрессии отличается от классического представления.

Реализуйте байесовую линейную регрессию

Объедините стандартную Байесовую линейную регрессию предшествующие модели и данные, чтобы оценить функции апостериорного распределения или выполнить Байесов выбор предиктора. Оба рабочих процесса дают к следующим моделям, которые хорошо подходят для последующего анализа, такого как прогнозирование.

Следующая диагностика оценки и симуляции

Настройте Цепь Маркова выборка Монте-Карло для соответствующего смешивания и выполните предшествующий анализ чувствительности распределения.

Задайте градиент для сэмплера HMC

Настройте Байесовую модель линейной регрессии для эффективной следующей выборки с помощью гамильтонова сэмплера Монте-Карло.

Настройте сэмплер среза для следующей оценки

Улучшите Цепь Маркова выборка Монте-Карло для следующей оценки и вывода Байесовой модели линейной регрессии.

Сравните устойчивые методы регрессии

Обратитесь к влиятельным выбросам с помощью моделей регрессии с ошибками ARIMA, мешками деревьев регрессии и Байесовой линейной регрессией.

Байесова регрессия лассо

Выполните выбор переменной с помощью Байесовой регрессии лассо.

Байесов стохастический поисковый выбор переменной

Реализуйте стохастический поисковый выбор переменной (SSVS), Байесов метод выбора переменной.

Заменяя Удаленные Синтаксисы оценки

estimate функция Байесовых моделей conjugateblm линейной регрессии, semiconjugateblm, diffuseblm, empiricalblm, и customblm возвращает только предполагаемую модель и сводную таблицу оценки.

Для просмотра документации необходимо авторизоваться на сайте