Байесовские модели линейной регрессии рассматривают коэффициенты регрессии и дисперсию возмущений как случайные величины, а не фиксированные, но неизвестные величины. Это предположение приводит к более гибкой модели и интуитивным выводам. Дополнительные сведения см. в разделе Байесовская линейная регрессия.
Чтобы начать байесовский анализ линейной регрессии, создайте стандартный объект модели, который наилучшим образом описывает ваши предыдущие предположения о совместном распределении коэффициентов регрессии и дисперсии возмущений. Затем, используя модель и данные, можно оценить характеристики задних распределений, смоделировать из задних распределений или прогнозировать ответы, используя прогностическое заднее распределение.
Кроме того, можно выполнить выбор переменной предиктора, работая с объектом модели для выбора переменной Байеса.
Байесовская линейная регрессия
Узнайте о байесовском анализе и о том, как байесовский вид линейной регрессии отличается от классического вида.
Реализация байесовской линейной регрессии
Объедините стандартные байесовские модели и данные линейной регрессии для оценки функций заднего распределения или для выбора байесовского предиктора. Оба потока операций дают задние модели, которые хорошо подходят для дальнейшего анализа, например, прогнозирования.
Диагностика задней оценки и моделирования
Tune Markov Chain Monte Carlo образец для адекватного смешивания и выполнить предварительный анализ чувствительности распределения.
Задать градиент для образца HMC
Настройте байесовскую модель линейной регрессии для эффективной задней выборки с использованием гамильтонова образца Монте-Карло.
Tune Slice Sampler для задней оценки
Улучшить выборку Монте-Карло цепи Маркова для задней оценки и вывода байесовской модели линейной регрессии.
Сравнение методов надежной регрессии
Устраните влиятельные отклонения с помощью регрессионных моделей с ошибками ARIMA, пакетов деревьев регрессии и байесовской линейной регрессии.
Выберите переменную с помощью байесовской регрессии лассо.
Выбор байесовской стохастической переменной поиска
Реализация стохастического выбора переменных поиска (SSVS), байесовского метода выбора переменных.
Замена удаленных синтаксисов оценки
estimate функция байесовских моделей линейной регрессии conjugateblm, semiconjugateblm, diffuseblm, empiricalblm, и customblm возвращает только оценочную модель и сводную таблицу оценки.