Замена удаленных синтаксисов оценки

Замена удаленных синтаксисов `estimate`

estimate функция байесовских моделей линейной регрессии conjugateblm, semiconjugateblm, diffuseblm, empiricalblm, и customblm возвращает только оценочную модель и сводную таблицу оценки. Предыдущий и текущий синтаксисы для estimate являются:

[PosteriorMdl,estBeta,EstBetaCov,estSigma2,estSigma2Var,Summary] = estimate(...); % Now issues error 
[PosteriorMdl,Summary] = estimate(...);                                           % Supported

Начиная с R2019b, estimate возвращает оцененный объект модели в первой позиции выходного аргумента и сводную таблицу оценки во второй позиции выходного аргумента. Если указать выходные аргументы в последующих позициях, то estimate выдает эту ошибку:

Too many output arguments.

Чтобы избежать ошибки, обновите код, выполнив эту процедуру.

Поиск экземпляров кода, в которых estimate возвращает любые позиции выходного аргумента после первого.
В выявленных экземплярах определите, estimate возвращает оценки предельного или условного распределения. Если вызов estimate использует 'Beta' или 'Sigma2' аргумент пары имя-значение, функция возвращает оценки условного распределения. В противном случае it возвращает оценки предельного распределения.

Для случаев, возвращающих оценки предельного распределения:

Вернуть PosteriorMdl и Summary при звонке estimate.

Оцените предельную заднюю статистику, используя соответствующий код в этой таблице.

Выходной аргумент PosteriorMdl Является conjugateblm Объект PosteriorMdl Является empiricalblm Объект

Выходной аргумент	`PosteriorMdl` Является `conjugateblm` Объект	`PosteriorMdl` Является `empiricalblm` Объект
`estBeta`	estBeta = PosteriorMdl.Mu; или estBeta = Summary.Mean(1:(end - 1));	estBeta = Summary.Mean(1:(end - 1)); или estBeta = mean(PosteriorMdl.BetaDraws,2);
`EstBetaCov`	EstBetaCov = Summary.Covariances(1:(end - 1),1:(end - 1)); или EstBetaCov = PosteriorMdl.V/PosteriorMdl.B/(PosteriorMdl.A - 1);	EstBetaCov = Summary.Covariances(1:(end - 1),1:(end - 1)); или EstBetaCov = cov(PosteriorMdl.BetaDraws');
`estSigma2`	estSigma2 = Summary.Mean(end); или estSigma2 = 1/PosteriorMdl.B/(PosteriorMdl.A - 1);	estSigma2 = Summary.Mean(end); или estSigma2 = mean(PosteriorMdl.Sigma2Draws);
`estSigma2Var`	estSigma2Var = Summary.Covariances(end,end); или estSigma2Var = 1/(PosteriorMdl.B^2(PosteriorMdl.A - 1)^2(PosteriorMdl.A - 2));	estSigma2Var = Summary.Covariances(end,end); или estSigma2Var = var(PosteriorMdl.Sigma2Draws);

estBeta

estBeta = PosteriorMdl.Mu;

или

estBeta = Summary.Mean(1:(end - 1));

estBeta = Summary.Mean(1:(end - 1));

или

estBeta = mean(PosteriorMdl.BetaDraws,2);

EstBetaCov

EstBetaCov = Summary.Covariances(1:(end - 1),1:(end - 1));

или

EstBetaCov = PosteriorMdl.V/PosteriorMdl.B/(PosteriorMdl.A - 1);

EstBetaCov = Summary.Covariances(1:(end - 1),1:(end - 1));

или

EstBetaCov = cov(PosteriorMdl.BetaDraws');

estSigma2

estSigma2 = Summary.Mean(end);

или

estSigma2 = 1/PosteriorMdl.B/(PosteriorMdl.A - 1);

estSigma2 = Summary.Mean(end);

или

estSigma2 = mean(PosteriorMdl.Sigma2Draws);

estSigma2Var

estSigma2Var = Summary.Covariances(end,end);

или

estSigma2Var = 1/(PosteriorMdl.B^2*(PosteriorMdl.A - 1)^2*(PosteriorMdl.A - 2));

estSigma2Var = Summary.Covariances(end,end);

или

estSigma2Var = var(PosteriorMdl.Sigma2Draws);

Примеры см. в разделах Замена удаленного синтаксиса при оценке аналитического краевого положения и Замена удаленного синтаксиса при оценке числового краевого положения.

Для экземпляров, возвращающих оценки условного распределения, необходимо вернуть сводную таблицу оценки. Summary во второй позиции выходного аргумента. В этой таблице описывается, как извлечь условные апостериорные оценки из Summary.

Выходной аргумент	Оценка
`estBeta`	`estBeta = Summary.Mean(1:end – 1);`
`EstBetaCov`	`EstBetaCov = Summary.Covariances(1:end – 1,1:end – 1)`
`estSigma2`	`estSigma2 = Summary.Mean(end)`
`estSigma2Var`	`estSigma2Var = Summary.Covariances(end,end)`

Пример см. в разделе Замена удаленного синтаксиса при оценке условного заднего положения.

Заменить удаленный синтаксис при оценке аналитического маргинального заднего

Открыть сценарий в реальном времени

В этом примере показано, как заменить удаленный синтаксис estimate когда он возвращает аналитический краевой задний.

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). Предположим, что:

Коэффициенты перехвата и три коэффициента регрессии являются случайными переменными с многомерным нормальным предшествующим распределением, обусловленным дисперсией возмущений. Предыдущее среднее является 4-D вектором нулей, а предшествующая ковариационная матрица является единичной матрицей 4 на 4, масштабированной на 10000.
Дисперсия возмущений является случайной величиной с обратным гамма-предварительным распределением. Значения параметров формы и масштаба равны 3 и 1 соответственно.

Создайте нормально-обратно-гамма-сопряженную предыдущую модель для параметров линейной регрессии. Установите число предикторов p. Установите имена коэффициентов регрессии в соответствующие имена переменных.

p = 3;
PriorMdl = bayeslm(p,'ModelType','conjugate','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'};

Перед R2019b, estimate может вернуть до шести выходов, каждый из которых суммирует апостериорное распределение. Ранее поддерживаемый синтаксис:

[PosteriorMdl,estBeta,EstBetaCov,estSigma2,estSigma2Var,Summary] = estimate(PriorMdl,X,y);

Для R2019b, estimate поддерживает возврат только двух выходов: задняя модель PosteriorMdl и сводная таблица оценки Summary. Оцените предельное апостериорное распределение с помощью обновленного синтаксиса. Верните заднюю модель и сводную таблицу оценки.

[PosteriorMdl,Summary] = estimate(PriorMdl,X,y);

Method: Analytic posterior distributions
Number of observations: 62
Number of predictors:   4
Log marginal likelihood: -259.348
 
           |   Mean      Std          CI95        Positive       Distribution      
-----------------------------------------------------------------------------------
 Intercept | -24.2494  8.7821  [-41.514, -6.985]    0.003   t (-24.25, 8.65^2, 68) 
 IPI       |   4.3913  0.1414   [ 4.113,  4.669]    1.000   t (4.39, 0.14^2, 68)   
 E         |   0.0011  0.0003   [ 0.000,  0.002]    1.000   t (0.00, 0.00^2, 68)   
 WR        |   2.4683  0.3490   [ 1.782,  3.154]    1.000   t (2.47, 0.34^2, 68)   
 Sigma2    |  44.1347  7.8020   [31.427, 61.855]    1.000   IG(34.00, 0.00069)

Вычислите апостериорные оценки с помощью новой процедуры.

estBeta = PosteriorMdl.Mu % Posterior mean of coefficients

estBeta = 4×1

  -24.2494
    4.3913
    0.0011
    2.4683

EstBetaCov = Summary.Covariances(1:(end - 1),1:(end - 1)) % Posterior covariance of coefficients

EstBetaCov = 4×4

   77.1246    0.7713   -0.0024    0.5311
    0.7713    0.0200   -0.0000   -0.0295
   -0.0024   -0.0000    0.0000   -0.0001
    0.5311   -0.0295   -0.0001    0.1218

estSigma2 = Summary.Mean(end) % Posterior mean of disturbance variance

estSigma2 = 44.1347

estSigma2Var = Summary.Covariances(end,end) % Posterior variance of disturbance variance

estSigma2Var = 60.8709

Заменить удаленный синтаксис при оценке числового краевого заднего

Открыть сценарий в реальном времени

В этом примере показано, как заменить удаленный синтаксис estimate когда он возвращает численный краевой задний.

Коэффициенты перехвата и три коэффициента регрессии являются случайными переменными с многомерным нормальным предшествующим распределением, обусловленным дисперсией возмущений. Предыдущее среднее является 4-D вектором нулей, а предшествующая ковариационная матрица является единичной матрицей 4 на 4, масштабированной на 10000.
Дисперсия возмущений является случайной величиной с обратным гамма-предварительным распределением. Значения параметров формы и масштаба равны 3 и 1 соответственно.

Создайте предыдущую модель normal-inverse-gamma semaconjugate для параметров линейной регрессии. Укажите число предикторов p. Задайте имена коэффициентов регрессии для соответствующих имен переменных.

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'};

[PosteriorMdl,estBeta,EstBetaCov,estSigma2,estSigma2Var,Summary] = estimate(PriorMdl,X,y);

[PosteriorMdl,Summary] = estimate(PriorMdl,X,y);

Method: Gibbs sampling with 10000 draws
Number of observations: 62
Number of predictors:   4
 
           |   Mean      Std          CI95        Positive  Distribution 
-------------------------------------------------------------------------
 Intercept | -23.9999  9.0499  [-41.852, -6.163]    0.003     Empirical  
 IPI       |   4.3933  0.1445   [ 4.112,  4.677]    1.000     Empirical  
 E         |   0.0011  0.0003   [ 0.000,  0.002]    1.000     Empirical  
 WR        |   2.4696  0.3571   [ 1.764,  3.169]    1.000     Empirical  
 Sigma2    |  46.9242  8.4732   [33.244, 66.309]    1.000     Empirical

Вычислите апостериорные оценки с помощью новой процедуры.

estBeta = Summary.Mean(1:(end - 1)) % Posterior mean of coefficients

estBeta = 4×1

  -23.9999
    4.3933
    0.0011
    2.4696

EstBetaCov = Summary.Covariances(1:(end - 1),1:(end - 1)) % Posterior covariance of coefficients

EstBetaCov = 4×4

   81.9002    0.8161   -0.0025    0.5843
    0.8161    0.0209   -0.0000   -0.0303
   -0.0025   -0.0000    0.0000   -0.0001
    0.5843   -0.0303   -0.0001    0.1275

estSigma2 = Summary.Mean(end) % Posterior mean of disturbance variance

estSigma2 = 46.9242

estSigma2Var = Summary.Covariances(end,end) % Posterior variance of disturbance variance

estSigma2Var = 71.7952

Заменить удаленный синтаксис при оценке условного заднего

Открыть сценарий в реальном времени

В этом примере показано, как заменить удаленный синтаксис estimate когда он возвращает условный задний.

Коэффициенты перехвата и три коэффициента регрессии являются случайными переменными с многомерным нормальным предшествующим распределением, обусловленным дисперсией возмущений. Предыдущее среднее является 4-D вектором нулей, а предшествующая ковариационная матрица является единичной матрицей 4 на 4, масштабированной на 10000.
Дисперсия возмущений является случайной величиной с обратным гамма-предварительным распределением. Значения параметров формы и масштаба равны 3 и 1 соответственно.

Создайте нормально-обратно-гамма-сопряженную предыдущую модель для параметров линейной регрессии. Укажите число предикторов p. Задайте имена коэффициентов регрессии для соответствующих имен переменных.

p = 3;
PriorMdl = bayeslm(p,'ModelType','conjugate','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'};

Перед R2019b, estimate может вернуть до шести мероприятий; последние пять суммируют условное апостериорное распределение. Ранее поддерживаемый синтаксис:

[~,estBeta,EstBetaCov,estSigma2,estSigma2Var,Summary] = estimate(PriorMdl,X,y);

Для R2019b, estimate поддерживает возврат только двух выходов. Условные апостериорные оценки находятся в сводной таблице оценок во второй позиции выходного аргумента.

Оцените условное апостериорное распределение коэффициентов регрессии, учитывая, что дисперсия возмущений равна 10. Возвращает сводную таблицу оценки с помощью обновленного синтаксиса.

[~,Summary] = estimate(PriorMdl,X,y,'Sigma2',10);

Method: Analytic posterior distributions
Conditional variable: Sigma2 fixed at  10
Number of observations: 62
Number of predictors:   4
 
           |   Mean      Std          CI95         Positive     Distribution    
--------------------------------------------------------------------------------
 Intercept | -24.2494  4.1803  [-32.443, -16.056]    0.000   N (-24.25, 4.18^2) 
 IPI       |   4.3913  0.0673   [ 4.259,  4.523]     1.000   N (4.39, 0.07^2)   
 E         |   0.0011  0.0002   [ 0.001,  0.001]     1.000   N (0.00, 0.00^2)   
 WR        |   2.4683  0.1661   [ 2.143,  2.794]     1.000   N (2.47, 0.17^2)   
 Sigma2    |    10      0       [10.000, 10.000]     1.000   Fixed value

Вычислите апостериорные оценки с помощью новой процедуры.

estBeta = Summary.Mean(1:end - 1) % Posterior mean of coefficients

estBeta = 4×1

  -24.2494
    4.3913
    0.0011
    2.4683

EstBetaCov = Summary.Covariances(1:end - 1,1:end - 1) % Posterior covariance of coefficients

EstBetaCov = 4×4

   17.4748    0.1748   -0.0005    0.1203
    0.1748    0.0045   -0.0000   -0.0067
   -0.0005   -0.0000    0.0000   -0.0000
    0.1203   -0.0067   -0.0000    0.0276

См. также

Объекты

conjugateblm | customblm | diffuseblm | empiricalblm | semiconjugateblm

Функции

estimate

Документация

Замена удаленных синтаксисов `estimate`

Заменить удаленный синтаксис при оценке аналитического маргинального заднего

Заменить удаленный синтаксис при оценке числового краевого заднего

Заменить удаленный синтаксис при оценке условного заднего

См. также

Объекты

Функции

Документация по инструментарию Econometrics

Поддержка

Документация

Замена удаленных синтаксисов estimate

Заменить удаленный синтаксис при оценке аналитического маргинального заднего

Заменить удаленный синтаксис при оценке числового краевого заднего

Заменить удаленный синтаксис при оценке условного заднего

См. также

Объекты

Функции

Документация по инструментарию Econometrics

Поддержка

Замена удаленных синтаксисов `estimate`