我试图估计一个带有arima误差的线性回归,但我的回归变量是高度共线性的,因此回归模型受到多重共线性的影响。由于我的最终目标是能够将单个回归系数解释为弹性,并将它们用于事前预测,因此我需要以某种方式解决多重共线性,以便能够信任回归变量的系数。我知道转换回归变量,例如。通过差分可能有助于减少多重共线性。我还了解到,auto.arima对xreg中定义的response变量和回归变量执行相同的差分(参见:Do we need to do differencing of exogenous variables before passing to xreg argument of Arima() i
我一直在使用MATLAB函数来解决我的优化问题。我想试试minFunc包:
在使用fminunc时,我定义了一个函数funObj.m,它给出了目标值和任意点'x‘的梯度。它还接受几个外部输入,例如,{a,b,c},它们是矩阵。因此,函数原型看起来如下:
function [objVal,G] = funObj(x,a,b,c)
我想在minFunc包中使用相同的设置。从这些例子中,我认为这应该是可行的:
options.Method='lbfgs';
f = @(x)funObj(x,a,b,c);
x = minFunc(f,x_init,options);
但是当
我从Stroustrup的书中看到了这段代码,但我不明白它是如何工作的。我只是不知道它是如何增加“0,1,4,9.”
int archaic_square(int v) {
int total = 0;
for (int i = 0; i < v; ++i) {
total += v;
}
return total;
}
int main() {
for (int i = 0; i < 100; ++i) {
cout << i << '\t' << ar