Отрицательная логарифмическая правдоподобность 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 отрицательную логарифмическую правдоподобность alg
)nlogL
для многомерной регрессии d -мерных многомерных наблюдений в матрице n -by d Y
на переменных предиктора в матрице или массиве ячеек X
, рассчитанный для вектора- p-на-1 b
оценок коэффициентов и d -by d матрицы SIGMA
определение ковариации строки Y
. Если d = 1, X
может быть n -by p матрицей предиктора переменных. Для любого значения d, X
может также быть массивом ячеек с n длины, причем каждая камера содержит матрицу d -by p проекта для одного многомерного наблюдения. Если все наблюдения имеют одинаковую матрицу d -by p design, X
может быть одной камерой.
NaN
значения в X
или Y
приняты как отсутствующие. Наблюдения с отсутствующими значениями в X
игнорируются. Обработка отсутствующих значений в Y
зависит от алгоритма, заданного как alg
.
alg
должен соответствовать алгоритму, используемому mvregress
для получения оценок коэффициентов b
, и должно быть одним из следующих:
'ecm'
- алгоритм ECM
'cwls'
- Наименьшие квадраты, условно взвешенные по SIGMA
'mvn'
- Многомерные нормальные оценки, вычисленные после опускания строк с отсутствующими значениями в Y
[nlogL,COVB] = mvregresslike(...)
также возвращает предполагаемую ковариационную матрицу COVB
из оценок параметров b
.
[nlogL,COVB] = mvregresslike(...,
задает тип и формат type
,format
)COVB
.
type
является либо:
'hessian'
- Использовать гессианскую или наблюдаемую информацию. Этот метод учитывает возросшие неопределенности из-за недостающих данных. Это значение по умолчанию.
'fisher'
- Использовать Fisher или ожидаемую информацию. Этот метод использует полную информацию об ожидаемых данных и не включает неопределенность из-за недостающих данных.
format
является либо:
'beta'
- Вычисление COVB
для b
только. Это значение по умолчанию.
'full'
- Вычисление COVB
для обоих b
и SIGMA
.