Отрицательное логарифмическое правдоподобие для многомерной регрессии
nlogL = mvregresslike(X,Y,b,SIGMA,alg)
[nlogL,COVB] = mvregresslike(...)
[nlogL,COVB] = mvregresslike(...,type,format)
nlogL = mvregresslike(X,Y,b,SIGMA, вычисляет отрицательное логарифмическое правдоподобие alg)nlogL для многомерной регрессии d-мерных многомерных наблюдений в матрице n-по-d Y на переменных предиктора в матрице или массиве ячеек X, оцененный для вектора столбца p-by-1 b оценок коэффициентов и матрицы d-by-d SIGMA задание ковариации строки Y. Если d = 1, X может быть матрицей конструкции n-за-p переменных предиктора. Для любого значения d X также может быть массивом ячеек длиной n, причем каждая ячейка содержит матрицу конструкции d-за-p для одного многомерного наблюдения. Если все наблюдения имеют одинаковую матрицу проектирования d-by-p, X может быть одиночной ячейкой.
NaN значения в X или Y считаются отсутствующими. Наблюдения с отсутствующими значениями в X игнорируются. Обработка недостающих значений в Y зависит от алгоритма, заданного alg.
alg должен соответствовать алгоритму, используемому mvregress для получения оценок коэффициентов b, и должен быть одним из следующих:
'ecm' - алгоритм ECM
'cwls' - Наименьшие квадраты, условно взвешенные по SIGMA
'mvn' - Многомерные обычные оценки, вычисленные после пропуска строк с отсутствующими значениями в Y
[nlogL,COVB] = mvregresslike(...) также возвращает оценочную ковариационную матрицу COVB оценок параметров b.
[nlogL,COVB] = mvregresslike(..., определяет тип и формат type,format)COVB.
type является либо:
'hessian' - Использовать гессенскую или наблюдаемую информацию. Этот метод учитывает возросшие неопределенности из-за отсутствия данных. Это значение по умолчанию.
'fisher' - Использовать Фишер или ожидаемую информацию. Этот метод использует полную ожидаемую информацию данных и не включает неопределенность из-за отсутствия данных.
format является либо:
'beta' - Для вычисления COVB для b только. Это значение по умолчанию.
'full' - Для вычисления COVB для обоих b и SIGMA.