mvregress | Многомерная линейная регрессия |
mvregresslike | Отрицательная логарифмическая правдоподобность для многомерной регрессии |
polytool | Интерактивный полиномиальный подбор кривой |
polyconf | Полиномиальные доверительные интервалы |
plsregress | Частичная регрессия методом наименьших квадратов (PLS) |
Настройка многомерных регрессионных задач
Для подгонки многомерной линейной регрессионой модели с использованием mvregress
необходимо 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
.
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.
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 mvregress
можно использовать опциональную пару "имя-значение" 'algorithm','cwls'
для выбора оценки методом наименьших квадратов.
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.