分类预测器模型

加载carsmall数据集并建立线性回归模型MPG.作为一个函数Model_Year．处理数值向量Model_Year作为一个分类变量，确定预测器使用“CategoricalVars”名称-值对的论点。

负载carsmallmdl=fitlm（车型年款，MPG，“CategoricalVars”，1，'varnames'，{“Model_Year”，“英里”})

mdl =线性回归模型:MPG ~ 1 + Model_Year Estimated Coefficients: Estimate SE tStat pValue ________ ______ ______ __________ (Intercept) 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，误差自由度:91均方根误差:5.56 R-squared: 0.531, Adjusted R-squared: 0.521 F-statistic vs. constant model: 51.6, p-value = 1.07e-15

显示的模型公式，MPG ~ 1 + Model_Year,对应于

$\mathrm{MPG.}＝{\beta }_0+{\beta }_1{\iota }_{\mathrm{一年}＝76}+{\beta }_2{\iota }_{\mathrm{一年}＝82}+ϵ$，

在哪里 ${\iota }_{\mathrm{一年}＝76}$和 ${\iota }_{\mathrm{一年}＝82}$是指示变量，如果值为值Model_Year分别为76和82。的Model_Year变量包括三个不同的值，您可以使用独特的函数。

唯一（model_year）

ans =3×170 76 82.

fitlm选择最小的价值Model_Year作为参考水平（'70'）并创建两个指示器变量 ${\iota }_{\mathrm{一年}＝76}$和 ${\iota }_{\mathrm{一年}＝82}$．该模型仅包括两个指示器变量，因为如果模型包括三个指示器变量（每个级别）和截距项，则设计矩阵变为级别缺乏。

具有完整指示器变量的模型

你可以解释的模型公式MDL.作为一个没有截距术语的三个指示变量的模型：

$\mathit{y}＝{\beta }_0{\iota }_{{\mathit{x}}_1＝70}+（{\beta }_0+{\beta }_1）{\iota }_{{\mathit{x}}_1＝76}+（{{\beta }_0+\beta }_2）{\iota }_{{\mathit{x}}_2＝82}+ϵ$．

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，误差自由度：91根均方误差：5.56

在模型中选择参考级别

可以通过修改类别变量中类别的顺序来选择参考级别。首先，创建一个分类变量一年．

年=分类（model_year）;

属性检查类别的顺序类别函数。

类别(年)

ans =3x1细胞””{70}{76}{82 '}

如果你使用一年作为一个预测变量fitlm选择第一类'70'作为参考水平。重新订购一年通过使用reordercats函数。

Year_reordered = reordercats(一年,{“76”，'70'，'82'}); 类别（重新排序的年份）

ans =3x1细胞{'76'} {'70'} {'82'}

第一类Year_reordered是“76”．创建的线性回归模型MPG.作为一个函数Year_reordered．

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

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使用“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

的模型展示mdl2包括一个p-每一项的值，以检验对应的系数是否等于零。每一个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“组件”(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，“组件”）

ans =.2×5表SumSq DF MeanSq F pValue ________ ______ _____ __________ Model_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价值的Model_Year变量，它小于p-指标变量的值。