贝叶斯估计,多元线性回归

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

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
在R语言中进行贝叶斯多元线性回归,可以使用Bayesian Linear Regression(BLR)模型。BLR模型是一种贝叶斯统计学中的线性回归模型,它可以在给定数据集的情况下,使用贝叶斯方法进行参数估计和预测。下面是一个在R语言中使用BLR模型进行多元线性回归的例子: 首先,我们需要准备一个数据集。这里以mtcars数据集为例,该数据集包含了32种不同汽车型号的11个变量,其中包括mpg(每加仑英里数)、cyl(汽缸数)、disp(排量)等。可以通过以下代码加载该数据集: ```r data(mtcars) head(mtcars) ``` 接下来,我们需要安装和加载一些必要的包,包括“rstan”、“ggplot2”、“reshape2”等。可以使用以下代码安装和加载这些包: ```r install.packages("rstan") library(rstan) library(ggplot2) library(reshape2) ``` 在加载必要的包后,我们可以使用以下代码创建BLR模型: ```r # 定义BLR模型 blrm <- stan_lm(mpg ~ cyl + disp + hp + wt, data = mtcars) ``` 其中,stan_lm()函数将mtcars数据集中的变量mpg、cyl、disp、hp和wt作为自变量进行回归模型的建立,使用贝叶斯方法进行参数估计和预测。在这里,我们使用的是默认的先验分布,即正态分布。 可以使用summary()函数查看BLR模型的参数估计结果及其统计信息: ```r summary(blrm) ``` 此外,我们还可以使用ggplot2和reshape2包中的函数,绘制BLR模型的后验预测分布: ```r # 绘制BLR模型的后验预测分布 blrm_pred <- data.frame(predict(blrm, newdata = mtcars)) colnames(blrm_pred) <- "Prediction" ggplot(melt(blrm_pred), aes(x = value, fill = variable)) + geom_density(alpha = 0.5) + theme_minimal() + labs(x = "mpg", y = "Density") ``` 这将绘制一个由自变量mpg、cyl、disp、hp和wt预测的后验预测分布,其中每个变量都有自己的颜色。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值