다변량 선형 회귀

다변량 응답 변수를 사용하는 선형 회귀

회귀 모델에 둘 이상의 응답 변수를 포함해야 하는 경우 다변량 선형 회귀 모델을 사용합니다. 다변량 선형 회귀 모델은 예측 변수 항과 다변량 정규분포를 갖는 오차항으로 구성된 벡터의 일차 결합으로 d차원 연속 응답 벡터를 표현합니다. mvregress를 사용하여 다변량 선형 회귀 모델을 만들 수 있습니다.

부분 최소제곱(PLS: Partial Least-Squares) 회귀는 원래 예측 변수의 일차 결합인 새 예측 변수를 구성하는 차원 축소 방법입니다. 응답 변수가 여러 개인 PLS 회귀 모델을 피팅하려면 plsregress를 사용하십시오.

참고

다변량 선형 회귀 모델은 다중 선형 회귀 모델과 다릅니다. 다중 선형 회귀 모델은 독립적이며 똑같이 분산된 오차항과 외생항의 일차 결합으로 일변량 연속 응답을 모델링합니다. 다중 선형 회귀 모델을 피팅하려면 fitlm 또는 fitrlinear를 사용하십시오.

함수

`mvregress`	다변량 선형 회귀
`mvregresslike`	Negative log-likelihood for multivariate regression
`plsregress`	부분 최소제곱(PLS) 회귀

도움말 항목

Set Up Multivariate Regression Problems
To fit a multivariate linear regression model using mvregress, you must set up your response matrix and design matrices in a particular way.
Multivariate General Linear Model
This example shows how to set up a multivariate general linear model for estimation using mvregress.
Fixed Effects Panel Model with Concurrent Correlation
This example shows how to perform panel data analysis using mvregress.
Longitudinal Analysis
This example shows how to perform longitudinal analysis using mvregress.
부분 최소제곱 회귀 및 주성분 회귀
부분 최소제곱 회귀(PLSR) 및 주성분 회귀(PCR)를 적용하고 이 두 방법의 효과를 살펴봅니다.
Multivariate Linear Regression
Large, high-dimensional data sets are common in the modern era of computer-based instrumentation and electronic data storage.
Estimation of Multivariate Regression Models
When you fit multivariate linear regression models using mvregress, you can use the optional name-value pair 'algorithm','cwls' to choose least squares estimation.
Partial Least Squares
Partial least squares (PLS) constructs new predictor variables as linear combinations of the original predictor variables, while considering the observed response values, leading to a parsimonious model with reliable predictive power.