Отрицательная логарифмическая правдоподобность 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 правдоподобность alg
)nlogL
для многомерной регрессии d - размерные многомерные наблюдения в n-by-d матричный Y
на переменных предикторах в матричном или массиве ячеек X
, оцененный для p-by-1 вектор-столбец b
из содействующих оценок и d-by-d матричный SIGMA
определение ковариации строки Y
. Если d = 1, X
может быть n-by-p матрица проекта переменных предикторов. Для любого значения d, X
может также быть массив 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 отдельная ячейка.
NaN
значения в X
или Y
взяты в качестве пропавших без вести. Наблюдения с отсутствующими значениями в X
проигнорированы. Обработка отсутствующих значений в Y
зависит от алгоритма, заданного alg
.
alg
должен совпадать с алгоритмом, используемым mvregress
получить коэффициент оценивает b
, и должно быть одно 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
из 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 неопределенность из-за недостающих данных. Это значение по умолчанию.
'fisher'
— Использовать Фишера или ожидаемую информацию. Этот метод использует полные данные, ожидал информацию и не включает неопределенность из-за недостающих данных.
format
также:
'beta'
— Вычислить COVB
для b
только. Это значение по умолчанию.
'full'
— Вычислить COVB
для обоих b
и SIGMA
.