Многомерная нормальная регрессия (игнорируют недостающие данные),
[Parameters,Covariance,Resid,Info] = mvnrmle(Data,Design,MaxIterations,TolParam,TolObj,Covar0,CovarFormat)
|
|
| Матрица или массив ячеек, который обрабатывает две структуры модели:
|
| (Необязательно) Максимальное количество итераций для алгоритма оценки. Значением по умолчанию является |
| (Необязательно) Допуск сходимости для алгоритма оценки на основе изменений в оценках параметра модели. Значением по умолчанию является |
| |
где | |
| (Необязательно) Допуск сходимости для алгоритма оценки на основе изменений в целевой функции. Значением по умолчанию является eps ∧ 3/4, который является о 1.0e-12 для двойной точности. Тест сходимости для изменений в целевой функции для итерации k = 2, 3.... Сходимость принята когда оба |
| (Необязательно) |
| (Необязательно) Вектор символов, который задает формат для ковариационной матрицы. Выбор:
|
[Parameters,Covariance,Resid,Info] = mvnrmle(Data,Design,MaxIterations,TolParam,TolObj,Covar0,CovarFormat)
оценивает многомерную нормальную модель регрессии без недостающих данных. Модель имеет форму
для выборок k = 1..., NUMSAMPLES
.
mvnrmle
оценивает NUMPARAMS
- 1
вектор-столбец параметров модели под названием Parameters
, и NUMSERIES
- NUMSERIES
матрица параметров ковариации под названием Covariance
.
mvnrmle(Data, Design)
без выходных аргументов строит функцию логарифмической правдоподобности для каждой итерации алгоритма.
Обобщать выходные параметры mvnrmle
:
Parameters
NUMPARAMS
- 1
вектор-столбец оценок для параметров модели регрессии.
Covariance
NUMSERIES
- NUMSERIES
матрица оценок для ковариации остаточных значений модели регрессии.
Resid
NUMSAMPLES
- NUMSERIES
матрица остаточных значений регрессии. Для любой строки с отсутствующими значениями в Data
, соответствующая строка остаточных значений представлена как весь NaN
отсутствующие значения, поскольку эта стандартная программа игнорирует строки с NaN
значения.
Другой выход, Info
, структура, которая содержит дополнительную информацию от регрессии. Структура имеет эти поля:
Info.Obj
– Вектор-столбец переменной степени, без больше, чем MaxIterations
элементы, которые содержат каждое значение целевой функции при каждой итерации алгоритма оценки. Последнее значение в этом векторе, Obj
(end)
, терминальная оценка целевой функции. Если вы делаете оценку наибольшего правдоподобия, целевая функция является функцией логарифмической правдоподобности.
Info.PrevParameters
– NUMPARAMS
- 1
вектор-столбец оценок для параметров модели от итерации незадолго до терминальной итерации.
Info.PrevCovariance
– NUMSERIES
- NUMSERIES
матрица оценок для параметров ковариации от итерации незадолго до терминальной итерации.
mvnrmle
не принимает начальный вектор параметра, потому что параметры оцениваются непосредственно от первой итерации вперед.
Можно сконфигурировать Design
как матрица, если NUMSERIES = 1
или как массив ячеек, если NUMSERIES
≥ 1
.
Если Design
массив ячеек и NUMSERIES
= 1 , каждая ячейка содержит
NUMPARAMS
вектор-строка.
Если Design
массив ячеек и NUMSERIES
> 1 , каждая ячейка содержит
NUMSERIES
- NUMPARAMS
матрица.
Эти замечания касаются как Design
обрабатывает недостающие данные:
Несмотря на то, что Design
не должен иметь NaN
значения, проигнорированные выборки из-за NaN
значения в Data
также проигнорированы в соответствующем Design
массив.
Если Design
1
- 1
массив ячеек, который имеет один Design
матрица для каждой выборки, никакого NaN
значения разрешены в массиве. Модель с этой структурой должна иметь NUMSERIES
≥ NUMPARAMS
с rank(Design{1}) = NUMPARAMS
.
Две функции для обработки недостающих данных, ecmmvnrmle
и ecmlsrmle
, более строги о присутствии NaN
значения в Design
.
Используйте оценки в дополнительной структуре output Info
в диагностических целях.
Смотрите многомерную нормальную регрессию, регрессию наименьших квадратов, метод взвешенных наименьших квадратов ковариации, выполнимые обобщенные наименьшие квадраты и на вид Несвязанную регрессию.
Родерик Дж. А. Мало и Дональд Б. Рубин. Статистический анализ с Недостающими данными., 2-й выпуск. John Wiley & Sons, Inc., 2002.
Xiao-литий Мэн и Дональд Б. Рубин. “Оценка Наибольшего правдоподобия с помощью Алгоритма ECM”. Biometrika. Издание 80, № 2, 1993, стр 267–278.
ecmmvnrmle
| mvnrobj
| mvnrstd
| mvregress