La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.
Régression linéaire multivariée
R2026aLorsque vous devez inclure plusieurs variables de réponse dans un modèle de régression, utilisez un modèle de régression linéaire multivariée. Un tel modèle exprime un vecteur de réponses continues de dimension d comme une combinaison linéaire de termes prédictifs ainsi qu’un vecteur de termes d’erreur avec une distribution normale multivariée. Vous pouvez utiliser mvregress pour créer un modèle de régression linéaire multivariée.
La régression par la méthode des moindres carrés partiels (PLS) est une méthode de réduction de la dimensionnalité qui construit de nouvelles variables prédictives correspondant à des combinaisons linéaires des variables prédictives d’origine. Pour ajuster un modèle de régression PLS contenant plusieurs variables de réponse, utilisez plsregress.
Remarque
Un modèle de régression linéaire multivariée est différent d’un modèle de régression linéaire multiple qui modélise une réponse continue univariée comme une combinaison linéaire de termes exogènes ainsi qu’un terme d’erreur indépendant de distribution identique. Pour ajuster un modèle de régression linéaire multiple, utilisez fitlm ou fitrlinear.
Fonctions
mvregress | Multivariate linear regression |
mvregresslike | Negative log-likelihood for multivariate regression |
plsregress | Partial least-squares (PLS) regression |
Rubriques
- 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. - Partial Least Squares Regression and Principal Components Regression
Apply partial least squares regression (PLSR) and principal components regression (PCR), and explore the effectiveness of the two methods.
- 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.
