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
plsregressЧастичная регрессия методом наименьших квадратов (PLS)

Примеры и как

Настройка многомерных регрессионных задач

Для подгонки многомерной линейной регрессионой модели с использованием mvregressнеобходимо настроить матрицу отклика и разработать матрицы определенным способом.

Многомерная общая линейная модель

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

Модель панели фиксированных 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 методом наименьших квадратов и регрессия основных компонентов

В этом примере показано, как применить частичную регрессию методом наименьших квадратов (PLSR) и регрессию основных компонентов (PCR), и обсуждается эффективность двух методов.

Концепции

Многомерная линейная регрессия

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

Оценка многомерных регрессионных моделей

Когда вы подбираете многомерные линейные регрессионые модели с помощью mvregressможно использовать опциональную пару "имя-значение" 'algorithm','cwls' для выбора оценки методом наименьших квадратов.

Частичные наименьшие квадраты

Частичные наименьшие квадраты (PLS) строят новые переменные предиктора как линейные комбинации исходных переменных предиктора, рассматривая при этом наблюдаемые значения отклика, приводя к парсимонирующей модели с надежной прогнозирующей степени.

Для просмотра документации необходимо авторизоваться на сайте