通过添加或删除项来改进广义线性回归模型
逐步回归是一种系统的方法,在解释响应变量时,根据线性或广义线性模型的统计显著性添加和删除项。该方法从一个初始模型开始,使用指定的modelspec
,然后比较逐渐增大和减小的模型的解释能力。
这一步
函数使用正向和向后逐步回归来确定最终模型。在每个步骤中,该函数搜索要添加到模型中的术语或要从模型中删除的术语“标准”
名称-值对的论点。
的默认值“标准”
对于线性回归模型是上交所的
.在这种情况下,stepwiselm
和一步
的LinearModel
使用P.- A.F- 在每个步骤中使用和没有潜在术语的测试模型。如果术语当前不是该模型中,则返回null假设是如果添加到模型中,术语将具有零系数。如果有足够的证据来拒绝零假设,则该函数将术语添加到模型中。相反,如果术语当前在模型中,则空假设是该术语具有零系数。如果没有足够的证据来拒绝空假设,则该函数从模型中删除术语。
逐步回归采用这些步骤时“标准”
是上交所的
:
适合初始模型。
检查一组不在模型中的可用术语。如果有任何条款P.-Values小于入射容差(即,如果在模型中添加了零系数的术语不太可能的,则,如果添加到模型中,则添加最小的术语P.-value并重复此步骤;否则,请转步骤3。
如果模型中有任何可用的条款P.-值大于退出公差(即不能拒绝系数为零的假设),删除最大的项P.-value和返回步骤2;否则,结束该进程。
在任何阶段,如果该模型也不包括较高阶项的子集的所有低阶项,则该函数将不会添加高阶项。例如,该函数不会尝试添加该术语X1, X2 ^ 2
除非两X1
和X2 ^ 2
已经在模型中了。类似地,该函数不会删除模型中保留的高阶项子集的低阶项。例如,函数不会尝试删除X1
或X2 ^ 2
如果X1, X2 ^ 2
保持在模型中。
的默认值“标准”
对于广义的线性模型是“异常”
.stepwiseglm
和一步
的GeneralizedLinearModel
按照类似的程序添加或删除术语。
属性可以指定其他条件“标准”
名称-值对的论点。例如,您可以指定Akaike信息标准、贝叶斯信息标准、r平方或调整的r平方的值的更改作为添加或删除项的标准。
根据初始模型中包含的术语以及函数添加和删除术语的顺序,该函数可以从同一组潜在术语构建不同的模型。当没有单个步骤改进模型时,该函数终止。然而,不同的初始模型或不同的步骤序列并不能保证更好的匹配。从这个意义上说,逐步模型是局部最优的,但可能不是全局最优的。
一步
对分类预测器的处理如下:
具有分类预测指标的模型L.包括水平(类别)L.- 1指标变量。模型使用第一个类别作为参考级别,因此不包含参考级别的指标变量。如果分类预测器的数据类型为分类
,则可以使用类别
并通过使用重新排序类别reordercats
自定义参考级别。创建指标变量的详细信息请参见虚拟变量的自动创建.
一步
对待一组L.- 1指示器变量作为一个单独的变量。如果您想将指示器变量视为不同的预测变量,可以使用戴维尔
.然后在拟合模型时,使用除分类变量参考水平对应的指标变量外的其他指标变量。对于绝对预测器X
,如果指定的所有列dummyvar (X)
并以截距项作为预测因子,使设计矩阵秩亏缺。
连续预测器和分类预测器之间的交互项L.层次由元素的乘积组成L.- 1带有连续预测器的指标变量。
两个类别预测因子之间的交互项L.和m级别包括(L.- 1)*(m- 1)指标变量包括两个分类预测水平的所有可能组合。
不能为绝对预测器指定高阶项,因为指示器的平方等于它本身。
因此,如果一步
添加或删除分类预测器,函数实际上在一步中添加或删除指示器变量组。同样,如果一步
添加或删除带有分类预测器的交互项,该函数实际添加或删除包含分类预测器的交互项组。
一步
认为南
那”
(空字符向量),“
(空字符串),< >失踪
,<定义>
值资源描述
那X
,y
丢失值。一步
不使用缺少匹配值的观测值。这ObservationInfo
拟合模型的性质表明是否一步
把每个观察结果都用在合适的地方。
使用stepwiseglm
在初始模型中指定术语,并继续改进模型,直到没有任何添加或删除术语的步骤是有益的。
使用addTerms
或removeTerms
添加或删除特定的术语。