Байесовы модели линейной регрессии обрабатывают коэффициенты регрессии и отклонение воздействия как случайные переменные, а не зафиксированные но неизвестные количества. Это предположение приводит к более гибкой модели и интуитивным выводам. Для получения дополнительной информации смотрите Байесовую Линейную регрессию.
Чтобы запустить Байесов анализ линейной регрессии, создайте стандартный объект модели, который лучше всего описывает ваши предшествующие предположения на совместном распределении отклонения воздействия и коэффициентов регрессии. Затем с помощью модели и данных, можно оценить характеристики апостериорных распределений, симулировать от апостериорных распределений или предсказать ответы с помощью прогнозирующего апостериорного распределения.
В качестве альтернативы можно выполнить выбор переменного предиктора путем работы с объектом модели для Байесового выбора переменной.
Узнайте о Байесовых исследованиях и как представление Bayesian линейной регрессии отличается от классического представления.
Реализуйте байесовую линейную регрессию
Объедините стандартную Байесовую линейную регрессию предшествующие модели и данные, чтобы оценить функции апостериорного распределения или выполнить Байесов выбор предиктора. Оба рабочих процесса дают к следующим моделям, которые хорошо подходят для последующего анализа, такого как прогнозирование.
Следующая диагностика оценки и симуляции
Настройте Цепь Маркова выборка Монте-Карло для соответствующего смешивания и выполните предшествующий анализ чувствительности распределения.
Задайте градиент для сэмплера HMC
Настройте Байесовую модель линейной регрессии для эффективной следующей выборки с помощью гамильтонова сэмплера Монте-Карло.
Настройте сэмплер среза для следующей оценки
Улучшите Цепь Маркова выборка Монте-Карло для следующей оценки и вывода Байесовой модели линейной регрессии.
Сравните устойчивые методы регрессии
Обратитесь к влиятельным выбросам с помощью моделей регрессии с ошибками ARIMA, мешками деревьев регрессии и Байесовой линейной регрессией.
Выполните выбор переменной с помощью Байесовой регрессии лассо.
Байесов стохастический поисковый выбор переменной
Реализуйте стохастический поисковый выбор переменной (SSVS), Байесов метод выбора переменной.
Заменяя Удаленные Синтаксисы оценки
estimate функция Байесовых моделей conjugateblm линейной регрессии, semiconjugateblm, diffuseblm, empiricalblm, и customblm возвращает только предполагаемую модель и сводную таблицу оценки.
