Документация

yF = forecast(Mdl,XF) прибыль numPeriods прогнозируемые ответы из байесовской модели линейной регрессии Mdl учитывая данные предиктора в XF, матрица с numPeriods строк.

Чтобы оценить прогноз, forecast использует среднее значение numPeriods-мерное апостериорное прогностическое распределение.

Если Mdl является совместной предыдущей моделью (возвращается bayeslm), то forecast использует только совместное предыдущее распределение и инновационное распределение для формирования прогностического распределения.
Если Mdl является задней моделью (возвращается estimate), то forecast использует апостериорное прогностическое распределение.

NaNs в данных указывают отсутствующие значения, которые forecast удаляет, используя удаление по списку.

yF = forecast(Mdl,XF,X,y) прогнозы с использованием апостериорного прогностического распределения, полученного или обновленного путем включения данных предиктора X и соответствующие данные ответа y.

Если Mdl является совместной предшествующей моделью, то forecast создает апостериорное прогностическое распределение путем обновления предшествующей модели информацией о параметрах, которые она получает из данных.
Если Mdl является задней моделью, то forecast обновляет апостериоры информацией о параметрах, которые они получают из дополнительных данных. Полная вероятность данных состоит из дополнительных данных. X и yи данные, которые были созданы Mdl.

yF = forecast(___,Name,Value) использует любую из комбинаций входных аргументов в предыдущих синтаксисах и дополнительных параметрах, заданных одним или несколькими аргументами пары имя-значение. Например, для прогноза из условного прогностического распределения одного параметра можно задать значение β или start2, учитывая заданное значение другого параметра.

[yF,YFCov] = forecast(___) также возвращает ковариационную матрицу numPeriods-мерное апостериорное прогностическое распределение. Стандартными отклонениями прогнозов являются квадратные корни диагональных элементов.

Примеры

Прогнозные ответы с использованием апостериорного прогностического распределения

Рассмотрим модель множественной линейной регрессии, которая предсказывает реальный валовой национальный продукт США (GNPR) с использованием линейной комбинации индекса промышленного производства (IPI), общая занятость (E) и реальная заработная плата (WR).

$_{GNPRt} =_{} {β0}_{} +_{}_{} {β1IPIt}_{} +_{}_{β2Et} +_{}$ β3WRt + αt.

Для всех $t$ $_{δ t}$ - это ряд независимых гауссовых возмущений со средним значением 0 и дисперсией $^{start2}$ .

Предположим, что эти предыдущие распределения:

$^{}_{β'σ2∼N4} (М,^{}$ λ 2В $).$ M является вектором средства 4 на 1, $а$ V является масштабированной матрицей положительной определенной ковариации 4 на 4.
$^{} σ2∼IG (A,$ B $).$ А $и$ В - форма и масштаб, соответственно, обратного гамма-распределения.

Эти допущения и правдоподобие данных подразумевают нормально-обратно-гамма-сопряженную модель.

Создайте нормально-обратно-гамма-сопряженную предыдущую модель для параметров линейной регрессии. Укажите количество предикторов p и имена переменных.

p = 3;
VarNames = ["IPI" "E" "WR"];
PriorMdl = bayeslm(p,'ModelType','conjugate','VarNames',VarNames);

Mdl является conjugateblm Объект байесовской модели линейной регрессии, представляющий предварительное распределение коэффициентов регрессии и дисперсии возмущений.

Загрузите набор данных Нельсона-Плоссера. Создайте переменные для данных предиктора и ответа. Удерживайте последние 10 периодов данных из оценки, чтобы использовать их для прогнозирования реального ВНП.

load Data_NelsonPlosser
fhs = 10; % Forecast horizon size
X = DataTable{1:(end - fhs),PriorMdl.VarNames(2:end)};
y = DataTable{1:(end - fhs),'GNPR'};
XF = DataTable{(end - fhs + 1):end,PriorMdl.VarNames(2:end)}; % Future predictor data
yFT = DataTable{(end - fhs + 1):end,'GNPR'};                  % True future responses

Оцените краевые задние распределения. Выключите отображение оценки.

PosteriorMdl = estimate(PriorMdl,X,y,'Display',false);

PosteriorMdl является conjugateblm объект модели, который содержит апостериорные распределения $β$ и $^{start2}$ .

Прогнозные ответы с использованием апостериорного прогностического распределения и будущих данных предиктора XF. Постройте график истинных значений ответа и прогнозируемых значений.

yF = forecast(PosteriorMdl,XF);

figure;
plot(dates,DataTable.GNPR);
hold on
plot(dates((end - fhs + 1):end),yF)
h = gca;
p = patch([dates(end - fhs + 1) dates(end) dates(end) dates(end - fhs + 1)],...
    h.YLim([1,1,2,2]),[0.8 0.8 0.8]);
uistack(p,'bottom');
legend('Forecast Horizon','True GNPR','Forecasted GNPR','Location','NW')
title('Real Gross National Product: 1909 - 1970');
ylabel('rGNP');
xlabel('Year');
hold off

Figure contains an axes. The axes with title Real Gross National Product: 1909 - 1970 contains 3 objects of type patch, line. These objects represent Forecast Horizon, True GNPR, Forecasted GNPR.

yF является вектором 10 на 1 будущих значений реального GNP, соответствующего будущим данным предиктора.

Оценка прогнозируемой среднеквадратичной ошибки (RMSE).

frmse = sqrt(mean((yF - yFT).^2))

frmse = 25.5397

RMSE прогноза является относительным показателем точности прогноза. В частности, можно оценить несколько моделей с использованием различных допущений. Модель с самым низким прогнозом RMSE является лучшей из сравниваемых моделей.

Непосредственно прогнозные наблюдения с использованием

Рассмотрим регрессионную модель в ответах прогноза с использованием апостериорного прогностического распределения.

Создайте предыдущую модель normal-inverse-gamma semaconjugate для параметров линейной регрессии. Укажите количество предикторов p и названия коэффициентов регрессии.

p = 3;
PriorMdl = bayeslm(p,'ModelType','semiconjugate','VarNames',["IPI" "E" "WR"]);

Загрузите набор данных Нельсона-Плоссера. Создайте переменные для последовательности ответа и предиктора.

load Data_NelsonPlosser
X = DataTable{:,PriorMdl.VarNames(2:end)};
y = DataTable{:,'GNPR'};

Удерживайте последние 10 периодов данных из оценки, чтобы использовать их для прогнозирования реального ВНП. Выключите отображение оценки.

fhs = 10; % Forecast horizon size
X = DataTable{1:(end - fhs),PriorMdl.VarNames(2:end)}; 
y = DataTable{1:(end - fhs),'GNPR'};
XF = DataTable{(end - fhs + 1):end,PriorMdl.VarNames(2:end)}; % Future predictor data
yFT = DataTable{(end - fhs + 1):end,'GNPR'};                  % True future responses

Прогнозные ответы с использованием апостериорного прогностического распределения и будущих данных предиктора XF. Укажите наблюдения в образце X и y (наблюдения, из которых MATLAB ® составляет задний).

yF = forecast(PriorMdl,XF,X,y)

Прогнозные ответы после выбора переменной предиктора

Предположим, что эти предыдущие распределения для $k$ = 0,..., 3:

$_{}^{βk 'start2},_{} γ k_{=} \sqrt{_{}}_{} γkσVk1Z1 +_{} (\sqrt{_{1-γ k}})_{}$ σVk2Z2, $_{}$ где ${Z1}_{}$ и Z2 - независимые, стандартные нормальные случайные величины. Поэтому коэффициенты имеют гауссово распределение смеси. Предположим, что все коэффициенты условно независимы, априори, но они зависят от дисперсии возмущений.
$^{} σ2∼IG (A,$ B $).$ А $и$ В - форма и масштаб, соответственно, обратного гамма-распределения.
$_{}$ γk∈{0,1}and он представляет переменную режима включения со случайной переменной с дискретным равномерным распределением.

Выполнить выбор переменной стохастического поиска (SSVS):

Создайте модель байесовской регрессии для SSVS с сопряжением до правдоподобия данных. Используйте настройки по умолчанию.
Удерживайте последние 10 периодов данных из оценки.
Оцените краевые задние распределения.

p = 3;
PriorMdl = bayeslm(p,'ModelType','mixconjugate','VarNames',["IPI" "E" "WR"]);

load Data_NelsonPlosser
fhs = 10; % Forecast horizon size
X = DataTable{1:(end - fhs),PriorMdl.VarNames(2:end)};
y = DataTable{1:(end - fhs),'GNPR'};
XF = DataTable{(end - fhs + 1):end,PriorMdl.VarNames(2:end)}; % Future predictor data
yFT = DataTable{(end - fhs + 1):end,'GNPR'};                  % True future responses

rng(1); % For reproducibility
PosteriorMdl = estimate(PriorMdl,X,y,'Display',false);

Ответы прогноза с использованием апостериорного прогностического распределения и будущих данных предиктора XF. Постройте график истинных значений ответа и прогнозируемых значений.

yF = forecast(PosteriorMdl,XF);

figure;
plot(dates,DataTable.GNPR);
hold on
plot(dates((end - fhs + 1):end),yF)
h = gca;
hp = patch([dates(end - fhs + 1) dates(end) dates(end) dates(end - fhs + 1)],...
    h.YLim([1,1,2,2]),[0.8 0.8 0.8]);
uistack(hp,'bottom');
legend('Forecast Horizon','True GNPR','Forecasted GNPR','Location','NW')
title('Real Gross National Product: 1909 - 1970');
ylabel('rGNP');
xlabel('Year');
hold off

Figure contains an axes. The axes with title Real Gross National Product: 1909 - 1970 contains 3 objects of type patch, line. These objects represent Forecast Horizon, True GNPR, Forecasted GNPR.

yF является вектором 10 на 1 будущих значений реального GNP, соответствующего будущим данным предиктора.

Оценка прогнозируемой среднеквадратичной ошибки (RMSE).

frmse = sqrt(mean((yF - yFT).^2))

frmse = 18.8470

При выполнении байесовской регрессии с помощью SSVS рекомендуется настраивать гиперпараметры. Один из способов сделать это - оценить прогнозный RMSE по сетке значений гиперпараметров и выбрать значение, которое минимизирует прогнозный RMSE.

Прогнозные ответы с использованием условного апостериорного прогностического распределения

p = 3;
PriorMdl = bayeslm(p,'ModelType','semiconjugate','VarNames',["IPI" "E" "WR"]);

Загрузите набор данных Нельсона-Плоссера. Создайте переменные для последовательности ответа и предиктора.

load Data_NelsonPlosser
X = DataTable{:,PriorMdl.VarNames(2:end)};
y = DataTable{:,'GNPR'};

fhs = 10; % Forecast horizon size
X = DataTable{1:(end - fhs),PriorMdl.VarNames(2:end)}; 
y = DataTable{1:(end - fhs),'GNPR'};
XF = DataTable{(end - fhs + 1):end,PriorMdl.VarNames(2:end)}; % Future predictor data
yFT = DataTable{(end - fhs + 1):end,'GNPR'};                  % True future responses

Ответы прогноза при помощи условного следующего прогнозирующего распределения беты, данной $^{} σ2=2$ и использование будущих данных предсказателя XF. Укажите наблюдения в образце X и y (наблюдения, из которых MATLAB ® составляет задний). Постройте график истинных значений ответа и прогнозируемых значений.

yF = forecast(PriorMdl,XF,X,y,'Sigma2',2);

figure;
plot(dates,DataTable.GNPR);
hold on
plot(dates((end - fhs + 1):end),yF)
h = gca;
hp = patch([dates(end - fhs + 1) dates(end) dates(end) dates(end - fhs + 1)],...
    h.YLim([1,1,2,2]),[0.8 0.8 0.8])

hp = 
  Patch with properties:

    FaceColor: [0.8000 0.8000 0.8000]
    FaceAlpha: 1
    EdgeColor: [0 0 0]
    LineStyle: '-'
        Faces: [1 2 3 4]
     Vertices: [4x2 double]

  Show all properties

uistack(hp,'bottom');
legend('Forecast Horizon','True GNPR','Forecasted GNPR','Location','NW')
title('Real Gross National Product: 1909 - 1970');
ylabel('rGNP');
xlabel('Year');
hold off

Figure contains an axes. The axes with title Real Gross National Product: 1909 - 1970 contains 3 objects of type patch, line. These objects represent Forecast Horizon, True GNPR, Forecasted GNPR.

Интервалы прогноза оценки

p = 3;
PriorMdl = bayeslm(p,'ModelType','semiconjugate','VarNames',["IPI" "E" "WR"]);

Загрузите набор данных Нельсона-Плоссера. Создайте переменные для последовательности ответа и предиктора.

load Data_NelsonPlosser
X = DataTable{:,PriorMdl.VarNames(2:end)};
y = DataTable{:,'GNPR'};

fhs = 10; % Forecast horizon size
X = DataTable{1:(end - fhs),PriorMdl.VarNames(2:end)}; 
y = DataTable{1:(end - fhs),'GNPR'};
XF = DataTable{(end - fhs + 1):end,PriorMdl.VarNames(2:end)}; % Future predictor data
yFT = DataTable{(end - fhs + 1):end,'GNPR'};                  % True future responses

Ответы прогноза и их ковариационная матрица с использованием заднего прогностического распределения и будущих данных предиктора XF. Укажите наблюдения в образце X и y (наблюдения, из которых MATLAB ® составляет задний).

[yF,YFCov] = forecast(PriorMdl,XF,X,y);

Поскольку прогностическое апостериорное распределение не является аналитическим, разумным приближением к набору из 95% достоверных интервалов является

${_{}^{}}_{}_{} yˆi±z0.975SE {(_{}^{}}_{} yˆi$ ),

для всех $i$ в горизонте прогноза. Оценка 95% достоверных интервалов для прогнозов по этой формуле.

n = sum(all(~isnan([X y]')));
cil = yF - norminv(0.975)*sqrt(diag(YFCov));
ciu = yF + norminv(0.975)*sqrt(diag(YFCov));

Постройте график данных, прогнозов и интервалов прогноза.

figure;
plot(dates(end-30:end),DataTable.GNPR(end-30:end));
hold on
h = gca;
plot(dates((end - fhs + 1):end),yF)
plot(dates((end - fhs + 1):end),[cil ciu],'k--')
hp = patch([dates(end - fhs + 1) dates(end) dates(end) dates(end - fhs + 1)],...
    h.YLim([1,1,2,2]),[0.8 0.8 0.8]);
uistack(hp,'bottom');
legend('Forecast horizon','True GNPR','Forecasted GNPR',...
    'Credible interval','Location','NW')
title('Real Gross National Product: 1909 - 1970');
ylabel('rGNP');
xlabel('Year');
hold off

Figure contains an axes. The axes with title Real Gross National Product: 1909 - 1970 contains 5 objects of type patch, line. These objects represent Forecast horizon, True GNPR, Forecasted GNPR, Credible interval.

Входные аргументы

`Mdl` - Стандартная байесовская модель линейной регрессии или модель для выбора переменных предиктора
`conjugateblm` объект модели | `semiconjugateblm` объект модели | `diffuseblm` объект модели | `mixconjugateblm` объект модели | `lassoblm` объект модели

Стандартная байесовская модель линейной регрессии или модель для выбора переменных предиктора, указанная в этой таблице как объект модели.

Объект модели	Описание
`conjugateblm`	Зависимая, нормально-обратно-гамма-сопряженная модель, возвращаемая `bayeslm` или `estimate`
`semiconjugateblm`	Независимая, нормально-обратно-гамма-полунъюгатная модель, возвращаемая `bayeslm`
`diffuseblm`	Диффузная предыдущая модель, возвращенная `bayeslm`
`empiricalblm`	Предыдущая модель, характеризующаяся выборками из предыдущих распределений, возвращенная `bayeslm` или `estimate`
`customblm`	Объявленная функция предыдущего распределения, возвращенная `bayeslm`
`mixconjugateblm`	Зависимая, Гауссовская гамма инверсии смеси спрягает модель для выбора переменной предсказателя SSVS, возвращенного `bayeslm`
`mixsemiconjugateblm`	Независимая модель Gaussian-mixe-inverse-gamma semaconjugate для выбора переменных предсказателя SSVS, возвращаемая `bayeslm`
`lassoblm`	Модель регрессии байесовского лассо, возвращенная `bayeslm`

Как правило, объекты модели, возвращаемые estimate представляют собой краевые задние распределения. Когда вы оцениваете заднюю, используя estimate, если задать оценку условного задника, то estimate возвращает предыдущую модель.

`XF` - Прогнозные данные прогноза-горизонта
числовая матрица

Прогнозирующие данные прогноза-горизонта, указанные как numPeriodsоколо-PriorMdl.NumPredictors числовая матрица. numPeriods определяет длину горизонта прогноза. Столбцы XF соответствуют столбцам любого другого набора данных предиктора, то есть X или данные, используемые для формирования заднего распределения в Mdl.

Типы данных: double

`X` - Данные предиктора
числовая матрица

Данные предиктора для модели множественной линейной регрессии, указанной как numObservationsоколо-PriorMdl.NumPredictors числовая матрица. numObservations - количество наблюдений и должно быть равно длине y.

Если Mdl является задним распределением, то столбцы X должны соответствовать столбцам данных предиктора, используемых для оценки заднего.

Типы данных: double

`y` - Данные ответа
числовой вектор

Данные ответа для модели множественной линейной регрессии, заданной как числовой вектор с numObservations элементы.

Типы данных: double

Аргументы пары «имя-значение»

Укажите дополнительные пары, разделенные запятыми Name,Value аргументы. Name является именем аргумента и Value - соответствующее значение. Name должен отображаться внутри кавычек. Можно указать несколько аргументов пары имен и значений в любом порядке как Name1,Value1,...,NameN,ValueN.

Пример: 'Sigma2',2 определяет прогнозирование из условного прогнозирующего распределения, учитывая указанную дисперсию возмущений 2.

Опции для всех моделей, кроме эмпирических

`'Beta'` - Значение коэффициентов регрессии для прогнозирования из условного прогнозирующего распределения при заданных коэффициентах регрессии
пустой массив (`[]`) (по умолчанию) | числовой вектор столбца

Значение коэффициентов регрессии для прогнозирования из условного прогнозирующего распределения с учетом коэффициентов регрессии, указанных как пара, разделенная запятыми, состоящая из 'Beta' и (Mdl.Intercept + Mdl.NumPredictors) -по-1 числовой вектор. При использовании заднего распределения ,forecast прогнозы из ( $y \overset{}{}^| y, X, β$ = Beta ), гдеy является y, X является X, и Beta - значение 'Beta'. Если Mdl.Intercept является true, то Beta(1) соответствует перехвату модели. Все остальные значения соответствуют переменным предиктора, которые составляют столбцы X.

Невозможно указать Beta и Sigma2 одновременно.

По умолчанию forecast не прогнозирует из условного прогностического распределения, заданного β.

Пример: 'Beta',1:3

Типы данных: double

`'Sigma2'` - Значение прогноза дисперсии возмущений от условного прогнозирующего распределения при данной дисперсии возмущений
пустой массив (`[]`) (по умолчанию) | положительный числовой скаляр

Значение прогнозирования дисперсии возмущений из условного прогнозирующего распределения с учетом дисперсии возмущений, определяемой как пара, разделенная запятыми, состоящая из 'Sigma2' и положительный числовой скаляр. При использовании заднего распределения, forecast рисует из ( $y \overset{}{}^| y^{,} X, start2 =$ Sigma2 ), гдеy является y, X является X, и Sigma2 - значение 'Sigma2'.

Невозможно указать Sigma2 и Beta одновременно.

По умолчанию forecast не черпает из условного прогностического заднепроверка («progective posterior»)

Пример: 'Sigma2',1

Типы данных: double

Опции для всех моделей, кроме сопряженных

`'NumDraws'` - Моделирование Монте-Карло скорректировало размер выборки
`1e5` (по умолчанию) | положительное целое число

Моделирование Монте-Карло скорректировало размер выборки, указанный как пара, разделенная запятыми, состоящая из 'NumDraws' и положительное целое число. forecast фактически розыгрыши BurnIn – NumDraws*Thin образцы. Поэтому forecast базирует оценки NumDraws образцы. Для получения подробной информации о том, как forecast сокращает полную выборку Монте-Карло, см. Алгоритмы.

Если Mdl является semiconjugateblm модель и вы указываете Beta или Sigma2, то MATLAB ® игнорируетNumDraws.

Пример: 'NumDraws',1e7

Типы данных: double

Опции для всех моделей, кроме сопряженных и эмпирических

`'BurnIn'` - Количество розыгрышей для удаления из начала образца Монте-Карло
`5000` (по умолчанию) | неотрицательный скаляр

Количество вытягиваний, удаляемых из начала выборки Монте-Карло для уменьшения переходных эффектов, указанное как пара, разделенная запятыми, состоящая из 'BurnIn' и неотрицательный скаляр. Для получения подробной информации о том, как forecast сокращает полную выборку Монте-Карло, см. Алгоритмы.

Совет

Чтобы помочь определить соответствующий размер периода записи, выполните следующие действия.

Определите степень переходного поведения в образце, указав 'BurnIn',0.
Моделирование нескольких тысяч наблюдений с помощью forecast.
Нарисуйте графики трассировки.

Пример: 'BurnIn',0

Типы данных: double

`'Thin'` - Множитель скорректированного размера выборки Monte Carlo
`1` (по умолчанию) | положительное целое число

Скорректированный множитель размера выборки Монте-Карло, указанный как пара, разделенная запятыми, состоящая из 'Thin' и положительное целое число.

Фактический размер выборки Монте-Карло составляет BurnIn + NumDraws*Thin. После выгорания, forecast отбрасывает каждый Thin – 1 рисует, а затем сохраняет следующий розыгрыш. Для получения подробной информации о том, как forecast сокращает полную выборку Монте-Карло, см. Алгоритмы.

Совет

Чтобы уменьшить потенциальную большую последовательную корреляцию в выборке Монте-Карло или уменьшить потребление памяти для розыгрышей, хранящихся в Mdl, укажите большое значение для Thin.

Пример: 'Thin',5

Типы данных: double

`'BetaStart'` - Начальные значения коэффициентов регрессии для выборки MCMC
числовой вектор столбца

Начальные значения коэффициентов регрессии для выборки Монте-Карло (MCMC) цепи Маркова, указанной как пара, разделенная запятыми, состоящая из 'BetaStart' и вектор числового столбца с (PriorMdl.Intercept + PriorMdl.NumPredictors) элементы. По умолчанию BetaStart - оценка обычных наименьших квадратов (OLS).

Совет

Хорошей практикой является запуск forecast несколько раз с использованием различных начальных значений параметров. Убедитесь, что решения из каждого прогона сходятся к аналогичным значениям.

Пример: 'BetaStart',[1; 2; 3]

Типы данных: double

`'Sigma2Start'` - Начальные значения дисперсии возмущений для образца MCMC
положительный числовой скаляр

Начальные значения дисперсии возмущений для выборки MCMC, указанные как пара, разделенная запятыми, состоящая из 'Sigma2Start' и положительный числовой скаляр. По умолчанию Sigma2Start - остаточная среднеквадратическая ошибка ОЛС.

Совет

Пример: 'Sigma2Start',4

Типы данных: double

Опции для пользовательских моделей

`'Reparameterize'` - Репараметризация start2 в виде log (start2)
`false` (по умолчанию) | `true`

Репараметризация start2 как log (^start2) при апостериорной оценке и моделировании, определяемая как разделенная запятыми пара, состоящая из 'Reparameterize' и значение в этой таблице.

Стоимость	Описание
`false`	`forecast` не производит репараметризацию,
`true`	`forecast` репараметризует start2 как log (^start2 ).`forecast` преобразует результаты обратно в исходный масштаб и не изменяет функциональную форму `PriorMdl.LogPDF`.

Совет

Если вы испытываете числовые неустойчивости при апостериорной оценке или моделировании start2, то укажите 'Reparameterize',true.

Пример: 'Reparameterize',true

Типы данных: logical

`'Sampler'` - пробоотборник MCMC
`'slice'` (по умолчанию) | `'metropolis'` | `'hmc'`

Дискретизатор MCMC, указанный как разделенная запятыми пара, состоящая из 'Sampler' и значение в этой таблице.

Стоимость	Описание
`'slice'`	Пробоотборник срезов
`'metropolis'`	Выборка Random Walk Metropolis
`'hmc'`	Гамильтонианский образец Монте-Карло (HMC)

Совет

Чтобы повысить качество розыгрышей MCMC, настройте пробоотборник.
1. Перед вызовом forecast, укажите параметры настройки и их значения с помощью sampleroptions. Например, чтобы задать ширину образца среза width, использовать:
  options = sampleroptions('Sampler',"slice",'Width',width);
2. Укажите объект, содержащий спецификации параметров настройки, возвращаемые sampleroptions с помощью 'Options' аргумент пары имя-значение. Например, для использования параметров настройки в options, укажите:
```
'Options',options
```
Если указан образец HMC, то рекомендуется задать градиент для некоторых переменных, по крайней мере. forecast прибегает к численному вычислению любых отсутствующих частных производных (NaN значения) в градиентном векторе.

Пример: 'Sampler',"hmc"

Типы данных: string

`'Options'` - Параметры пробоотборника
`[]` (по умолчанию) | массив структуры

Параметры пробоотборника, указанные как пара, разделенная запятыми, состоящая из 'Options' и массив структуры, возвращенный sampleroptions. Использовать 'Options' для указания дискретизатора MCMC и его значений параметров настройки.

Пример: 'Options',sampleroptions('Sampler',"hmc")

Типы данных: struct

`'Width'` - Типовая ширина интервала выборки
положительный числовой скаляр | числовой вектор положительных значений

Типичная ширина интервала выборки вокруг текущего значения в предельных распределениях для дискретизатора среза, указанного как пара, разделенная запятыми, состоящая из 'Width' и положительный числовой скаляр или a (PriorMdl.Intercept + PriorMdl.NumPredictors + 1) -по-1 числовой вектор положительных значений. Первый элемент соответствует перехвату модели, если он существует в модели. СледующееPriorMdl.NumPredictors элементы соответствуют коэффициентам переменных предиктора, упорядоченным столбцами данных предиктора. Последний элемент соответствует отклонению модели.

Если Width является скаляром, то forecast применяется Width ко всем PriorMdl.NumPredictors + PriorMdl.Intercept + 1 предельные распределения.
Если Width является числовым вектором, то forecast применяет первый элемент к перехвату (если он существует), следующий PriorMdl.NumPredictors элементы к коэффициентам регрессии, соответствующим переменным предиктора в Xи последний элемент дисперсии возмущений.
Если размер выборки (size(X,1)) меньше 100, то Width является 10 по умолчанию.
Если размер выборки не менее 100, то forecast наборы Width к вектору соответствующих задних стандартных отклонений по умолчанию, предполагая диффузную предшествующую модель (diffuseblm).

Типичная ширина образца среза не влияет на сходимость образца MCMC. Это влияет на количество требуемых оценок функций, то есть на эффективность алгоритма. Если ширина слишком мала, то алгоритм может реализовать избыточное количество оценок функций для определения соответствующей ширины выборки. Если ширина слишком велика, то алгоритму, возможно, придется уменьшить ширину до соответствующего размера, что требует оценки функций.

forecast посылает Width в slicesample функция. Дополнительные сведения см. в разделе slicesample.

Совет

Для обеспечения максимальной гибкости задайте ширину образца среза width с помощью 'Options' аргумент пары имя-значение. Например:
```
'Options',sampleroptions('Sampler',"slice",'Width',width)
```

Пример: 'Width',[100*ones(3,1);10]

Выходные аргументы

`yF` - Прогнозируемые ответы
числовой вектор

Прогнозируемые ответы (среднее из прогностического распределения), возвращенные как numPeriods-по-1 числовой вектор. Строки соответствуют строкам XF.

`YFCov` - Ковариационная матрица прогностического распределения
числовая матрица

Ковариационная матрица прогностического распределения, возвращенная как numPeriodsоколо-numPeriods числовая, симметричная, положительная определенная матрица. Строки и столбцы соответствуют строкам yF.

Для получения вектора стандартных отклонений для прогнозируемых ответов введите sqrt(diag(YFCov)).

Ограничения

Если Mdl является empiricalblm объект модели, то вы не можете указать Beta или Sigma2. Нельзя прогнозировать из условных предиктивных распределений с помощью эмпирического предыдущего распределения.

Подробнее