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.
