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.
