表输入的术语矩阵

如果模型变量位于表中，则一列0.用项矩阵表示响应变量的位置。

加载医院数据集。

负载医院

将变量存储在表中。

t =表(hospital.Sex hospital.BloodPressure (: 1), hospital.Age, hospital.Smoker,......'variablenames',{“性”那'血压'那“年龄”那“吸烟者”}）;

代表线性模型'血压〜1 +性别+年龄+吸烟者'使用术语矩阵。响应变量位于表的第二列中，因此术语矩阵的第二列必须是一列0.s为响应变量。

T = [0 0 0 0; 1 0 0 0; 0 0 1 0; 0 0 0 1]

t =4×40 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 1

适合线性模型。

mdl1 = fitlm (t, t)

mdl1 =线性回归模型:血压~ 1 +性别+年龄+吸烟者估计系数:估计SE tStat pValue ________ ________ ________ __________ (Intercept) 116.14 2.6107 44.485 7.1287e-66 Sex_Male 0.050106 0.98364 0.050939 0.95948 Age 0.085276 0.066945 1.2738 0.2058 Smoker_1 9.87 1.0346 9.5395 1.4516e-15100，误差自由度:96均方根误差:4.78 r平方:0.507，调整r平方:0.492 F-statistic vs. constant model: 33, p-value = 9.91e-15

矩阵输入的术语矩阵

如果预测器和响应变量位于矩阵和列向量中，则必须包括0.对于术语矩阵中每行末尾的响应变量。

加载Carsmall.数据集并定义预测器的矩阵。

负载Carsmall.x = [加速，重量];

指定模型'MPG〜加速+重量+加速：重量+重量^ 2'使用术语矩阵。该模型包括变量的主要效果和双向交互术语加速和重量，以及变量的二阶项重量．

t = [0 0 0; 1 0 0; 0 1 0; 1 1 0; 0 2 0]

t =5×30 0 0 1 0 0 0 1 0 1 1 0 0 2 0

适合线性模型。

mdl2 = fitlm (X,英里/加仑,T)

MDL2 =线性回归模型为：y〜1 + X1 * X2 + X2 ^ 2个估计系数：估计SE TSTAT p值___________ __________ _______ __________（截距）48.906 12.589 3.8847 0.00019665 X1 0.54418 0.57125 0.95261 0.34337 X2 -0.012781 0.0060312 -2.1192 0.036857 X1：X2-0.00010892 0.00017925 -0.6076 0.545 x2 ^ 2 9.75182-07 7.5389-07 7.5389E-07 1.2935 0.19917 0.19917 0.19917 0.19917 0.19917观察数：94，误差自由度：89根均匀误差：4.1 r断层：0.751，调整R线：0.739 f- 常量型号：67，p值= 4.99e-26

只有拦截和X2术语，对应于重量变量，在5%显著性水平上显著。

分类预测器的模型

加载Carsmall.数据集并创建一个线性回归模型英里/加仑作为…的函数model_year.．治疗数字矢量model_year.作为分类变量，使用该变量识别预测器'pationalvars'名称值对参数。

负载Carsmall.mdl = fitlm（model_year，mpg，'pationalvars', 1“VarNames”,{'model_year'那'mpg'}）

MDL =线性回归模型：MPG〜1 + MODEM_YEAR估计系数：估计系数________ ____________________（拦截）17.69 1.0328 17.127 3.2371E-30 MODEM_YEAR_76 3.8839 1.4059 2.7625 0.0069402 MODEL_YEAR_814.02 1.4369 0.14.02 1.4369 9.7571 8.2164E-16观察数：94，误差自由度：91根均匀误差：5.56 R线：0.531，调整R线：0.521 F统计与常数型号：51.6，P值= 1.07e-15

显示屏中的型号公式，MPG ~ 1 + Model_Year，对应于

$\mathrm{英里/加仑}={\beta }_{0.}+{\beta }_1{\iota }_{\mathrm{一年}=76.}+{\beta }_2{\iota }_{\mathrm{一年}=82.}+\mathrm{\epsilon .}$那

在哪里 ${\iota }_{\mathrm{一年}=76.}$和 ${\iota }_{\mathrm{一年}=82.}$值为1的指示器变量是否为model_year.分别为76和82。这model_year.变量包括三个不同的值，您可以通过使用它来检查独特的功能。

唯一（model_year）

ans =.3×170 76 82

fitlm选择中最小的值model_year.作为参考水平('70')并创建两个指标变量 ${\iota }_{\mathrm{一年}=76.}$和 ${\iota }_{\mathrm{一年}=82.}$. 该模型仅包含两个指标变量，因为如果该模型包含三个指标变量（每个级别一个）和一个截距项，则设计矩阵将出现秩缺陷。

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:

$\mathit{y}={\beta }_{0.}{\iota }_{{\mathit{X}}_1=70}+（{\beta }_{0.}+{\beta }_1）{\iota }_{{\mathit{X}}_1=76.}+（{{\beta }_{0.}+\beta }_2）{\iota }_{{\mathit{X}}_2=82.}+\mathrm{\epsilon .}$．

或者，您可以通过手工创建指标变量并指定模型公式来创建一个包含三个指标变量且没有截距项的模型。

临时年份=dummyvar（分类（车型年份））；型号70=临时年份（：，1）；型号年份=临时年份（：，2）；模型年份=临时年份（：，3）；tbl=表格（车型年份70，车型年份76，车型年份82，MPG）；mdl=fitlm（待定，“MPG~车型年款70+车型年款76+车型年款82-1”）

2.统计系数：估计系数：估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，估计，例如，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们传真：94，误差自由度：91均方根误差：5.56

在模型中选择参考级别

您可以通过修改分类变量中的类别顺序选择参考级别。首先，创建一个分类变量一年．

年=分类(Model_Year);

通过使用使用的类别的顺序类别功能。

类别（年）

ans =.3 x1细胞{'70'} {'76'} {'82'}

如果你使用一年作为预测变量，那么fitlm选择第一个类别'70'作为参考水平。重新订购一年通过使用雷德斯功能。

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

ans =.3 x1细胞{'76'} {'70'} {'82'}

第一类年份是'76'．创建一个线性回归模型英里/加仑作为…的函数年份．

mdl2 = fitlm（yor_reordered，mpg，“VarNames”,{'model_year'那'mpg'}）

mdl2=线性回归模型：MPG~1+模型年估计系数：估计统计价值（截距）21.574 0.95387 22.617 4.0156e-39模型年70-3.8839 1.4059-2.7625 0.0062模型年10.388-12.36E观测值数量：，误差自由度：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.用途'76'作为参考水平，包括两个指标变量 ${\iota }_{\mathrm{一年}=70}$和 ${\iota }_{\mathrm{一年}=82.}$．

评估分类预测指标

模型显示MDL2.包括一个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，使用方差分析．使用'组件'（默认）选项要返回组件ANOVA表，该表包含模型中的每个变量的ANOVA统计信息，但常量项除外。

ANOVA（MDL2，'组件'）

ans =2×5表SUMSQ DF均衡Q ________________________________________year 3190.1 2 1595.1 51.56 1.0694E-15错误2815.2 91 30.936

成分方差分析表包括P.- 左边的价值model_year.变量小于P.-指标变量的值。