Многомерная регрессия

Линейная регрессия с многомерной переменной отклика

Функции

mvregressМногомерная линейная регрессия
mvregresslikeОтрицательная логарифмическая правдоподобность для многомерной регрессии
polytoolИнтерактивный полиномиальный подбор кривой
polyconfПолиномиальные доверительные интервалы
plsregressРегрессия частичных наименьших квадратов (PLS)

Примеры и руководства

Настройте многомерные проблемы регрессии

Подбирать многомерную модель линейной регрессии использование mvregress, необходимо настроить матрицу ответа и матрицы проекта конкретным способом.

Многомерная общая линейная модель

В этом примере показано, как настроить многомерную общую линейную модель для оценки с помощью mvregress.

Фиксированная модель панели эффектов с параллельной корреляцией

В этом примере показано, как выполнить анализ данных панели с помощью mvregress.

Продольный анализ

В этом примере показано, как выполнить продольный анализ с помощью mvregress.

Частичная регрессия наименьших квадратов и регрессия основных компонентов

В этом примере показано, как применить Частичную регрессию наименьших квадратов (PLSR) и Регрессию основных компонентов (PCR), и обсуждает эффективность этих двух методов.

Концепции

Многомерная линейная регрессия

Большие, высоко-размерные наборы данных распространены в современную эру компьютерного инструментирования и электронного хранения данных.

Оценка многомерных моделей регрессии

Когда вы подбираете многомерные модели линейной регрессии с помощью mvregress, можно использовать дополнительную пару "имя-значение" 'algorithm','cwls' выбрать оценку методом наименьших квадратов.

Частичные наименьшие квадраты

Частичные наименьшие квадраты (PLS) создают новые переменные предикторы как линейные комбинации исходных переменных предикторов, при рассмотрении наблюдаемых значений отклика, продвижении к экономной модели с надежной предсказательной силой.

Для просмотра документации необходимо авторизоваться на сайте