分类预测器模型

加载Carsmall.数据集和创建的线性回归模型MPG.作为一个函数Model_Year．处理数值向量Model_Year作为分类变量，识别使用所述预测“CategoricalVars”名称值对参数。

加载Carsmall.MDL = fitlm（Model_Year，MPG，“CategoricalVars”, 1'varnames'{“Model_Year”那'mpg'}）

MDL =线性回归模型：MPG〜1个+ Model_Year估计系数：估计SE TSTAT p值________ ______ __________（截距）17.69 1.0328 17.127 3.2371e-30 Model_Year_76 3.8839 1.4059 2.7625 0.0069402 Model_Year_82 14.02 1.4369 9.7571 8.2164e-16观测数：94，错误自由度：91均方根误差：5.56 R平方：0.531，调整R平方：0.521 F统计与常数模型：51.6，p值= 1.07E-15

显示屏中的型号公式，MPG〜1 + model_year，对应于

$\mathrm{MPG.}={\beta }_{0.}+{\beta }_1{{\rm I}}_{\mathrm{年}=76.}+{\beta }_2{{\rm I}}_{\mathrm{年}=82.}+ϵ$那

在哪里 ${{\rm I}}_{\mathrm{年}=76.}$和 ${{\rm I}}_{\mathrm{年}=82.}$是指示变量，如果值为值Model_Year分别为76和82。这Model_Year变量包括三个不同的值，则可以通过使用该检查独特的功能。

唯一（model_year）

ans =.3×170 76 82

Fitlm.选择在最小值Model_Year作为参考水平（'70'）并创建两个指示变量 ${{\rm I}}_{\mathrm{年}=76.}$和 ${{\rm I}}_{\mathrm{年}=82.}$．该模型仅包括两个指针变量，因为设计矩阵变成如果模型包括三个指示器变量秩亏（每个电平）和截距项。

与全指标变量模型

您可以解释模型公式MDL作为一个模型，它有三个指标变量，没有截距项:

$\mathit{y}={\beta }_{0.}{{\rm I}}_{{\mathit{X}}_1=70}+（{\beta }_{0.}+{\beta }_1）{{\rm I}}_{{\mathit{X}}_1=76.}+（{{\beta }_{0.}+\beta }_2）{{\rm I}}_{{\mathit{X}}_2=82.}+ϵ$．

或者，您可以通过手动创建指示器变量并指定型号公式，创建一个没有截距项的指示变量的模型。

temp_Year = dummyvar（分类（Model_Year））;Model_Year_70 = temp_Year（：，1）;Model_Year_76 = temp_Year（：，2）;Model_Year_82 = temp_Year（：，3）;TBL =表（Model_Year_70，Model_Year_76，Model_Year_82，MPG）;mdl = fitlm（tbl，'MPG〜Model_Year_70 + Model_Year_76 + Model_Year_82  -  1'）

MDL =线性回归模型：MPG〜Model_Year_70 + Model_Year_76 + Model_Year_82估计系数：估计SE TSTAT p值________ _______ ______ __________ Model_Year_70 17.69 1.0328 17.127 3.2371e-30 Model_Year_76 21.574 0.95387 22.617 4.0156e-39 Model_Year_82 31.71 0.99896 31.743 5.2234e-51的数观察：94，错误自由度：91均方根误差：5.56

在模型中选择参考级别

您可以通过在分类变量修改类别的顺序选择的参考电平。首先，创建一个分类变量年．

年份=分类（Model_Year）;

属性检查类别的顺序类别功能。

类别(年)

ans =.3X1细胞{'70'} {'76'} {'82'}

如果你使用年作为预测变量，那么Fitlm.选择第一类'70'作为参考水平。重新订购年通过使用reordercats功能。

Year_reordered = reordercats(一年,{“76”那'70'那'82'}）;类别（Year_reordered）

ans =.3X1细胞{ '76'} { '70'} { '82'}

第一类年份是“76”．创建的线性回归模型MPG.作为一个函数年份．

mdl2 = fitlm (Year_reordered MPG,'varnames'{“Model_Year”那'mpg'}）

MDL2 =线性回归模型：MPG〜1个+ Model_Year估计系数：估计SE TSTAT p值________ _______ __________（截距）21.574 0.95387 22.617观测4.0156e-39 Model_Year_70 -3.8839 1.4059 -2.7625 0.0069402 Model_Year_82 10.136 1.3812 7.3385 8.7634e-11号：94，错误自由度：91均方根误差：5.56 R平方：0.531，调整R平方：0.521 F统计与常数模型：51.6，p值= 1.07E-15

MDL2使用“76”作为参考水平，包括两个指示器变量 ${{\rm I}}_{\mathrm{年}=70}$和 ${{\rm I}}_{\mathrm{年}=82.}$．

评估分类预测

模型显示MDL2包括A.P.- 每个术语的值以测试相应的系数是否等于零。每个P.-Value检查每个指示器变量。检查分类变量Model_Year作为一组指示器变量，使用Anova.．使用'成分'(默认)选项返回组件方差分析表，其中包括模型中除常数项外的每个变量的方差分析统计数据。

方差分析（MDL2，'成分'）

ans =2×5表SUMSQ DF MeanSq˚Fp值______ __ ______ _____ __________ Model_Year 3190.1 2 1595.1 51.56 1.0694e-15错误2815.2 91 30.936

组件ANOVA表包括P.- 值的Model_Year变量小于P.-指标变量的值。