前言
本文主题:多元线性回归参数估计
本节讨论方法:贝叶斯估计的推导过程
(ps:主要记录的是学习过程中的一些点,所以可能不会很系统)
主要都是要概率密度函数(pdf)可知(或已知)才能求出参数的估计
一、model,模型
Y=X’β+ε , ε~N(0,σ^2) 即 yi ~ N ( xi’β , σ ^2)
也可表述成 y = β0 + xi1β1 + xi2β2 + … + xipβp+ εi
下属模型中不考虑随机误差项 εi
二、似然函数
L=∏(2π)^(-1/2) (σ^2) ^(-1/2) exp{ (-0.5) [(yi-xi’β)/σ] ^2}
=(2π)^(-n/2) (σ^2) ^(-n/2) exp{ (-0.5) σ^(-2) ∑(yi-xi’β) ^2} ①
若用极大似然估计做,则接下来对L求对数,以及对lnL求偏导(分别对未知参数β和σ),后令偏导等于0,即可求出未知参数的估计值。
接下来用贝叶斯估计来求参数,贝叶斯与似然不同在于有一个先验分布,则会在似然的L上加上一部分,下面先说贝叶斯估计的先验分布
三、先验分布
先验分布:即在做这个概率估计之前先假设服从怎样的分布
本节中假设 σ^2 ~ Inv-Gamma(,) (均方服从逆伽玛(IG)分布