执行逐步回归
指定启动模型MDL.
=逐步(___那Modelspec.
)Modelspec.
使用以前的语法中的任何输入参数组合。
您不能使用逐步回归使用强大的回归。使用前检查您的异常值步骤行程
。
对于其他方法,如Anova.
或者属性linearmodel.
对象,参见linearmodel.
。
培训模型后,您可以生成C / C ++代码,该代码预测新数据的响应。生成C / C ++代码需要Matlab Coder™。有关详细信息,请参阅代码生成简介。
逐步回归是基于解释响应变量的统计学意义,从线性或广义线性模型添加和移除术语的系统方法。该方法以初始模型开始,指定使用Modelspec.
,然后比较逐渐更大且较小模型的解释性。
这步骤行程
函数使用向前和向后逐步回归来确定最终模型。在每个步骤中,函数搜索术语以基于该值添加到模型或从模型中删除'标准'
名称值对参数。
默认值'标准'
对于线性回归模型“上世纪”
。在这种情况下,步骤行程
和步
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。
逐步回归何时采取这些步骤'标准'
是“上世纪”
:
适合初始模型。
检查模型中的一组可用术语。如果任何条款都有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并重复这一步;否则,转到第3步。
如果模型中的任何可用术语都有P.-Values大于退出公差(即,不能拒绝零系数的假设),删除最大的术语P.- 留下并返回步骤2;否则,结束过程。
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
除非两者都是X1
和x2 ^ 2
已经在模型中。类似地,该功能不会删除是留在模型中的高阶项的子集的低阶项。例如,该函数不会尝试删除X1
要么x2 ^ 2
如果x1:x2 ^ 2
仍然在模型中。
默认值'标准'
对于广义的线性模型是'偏见'
。挺身油
和步
的GeneralizedLinearModel.
遵循类似的过程来添加或删除术语。
您可以使用使用方法指定其他标准'标准'
名称值对参数。例如,您可以指定Akaike信息标准的值,贝叶斯信息标准,R线或调整的R线为标准作为添加或删除术语的标准。
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,函数可能会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,函数终止。但是,不同的初始模型或不同的步骤顺序不能保证更好的拟合。从这个意义上讲,逐步模型是局部最优的,但可能不是全局最优的。
步骤行程
处理分类预测器,如下所示:
具有分类预测指标的模型L.级别(类别)包括L.– 1指示器变量。该模型使用第一类作为参考级别,因此它不包括参考级别的指示灯。如果分类预测器的数据类型是分类
,然后您可以通过使用查看类别的顺序类别
并通过使用重新排序类别雷德斯
自定义参考级别。有关创建指示器变量的更多详细信息,请参阅自动创建虚拟变量。
步骤行程
对待一组L.– 1指示器变量作为单个变量。如果要将指示器变量视为不同的预测器变量,请通过使用手动创建指示器变量戴维尔
。然后使用指示器变量,除了适合模型时对应于分类变量的参考级别的字符。对于分类预测因子X
,如果指定dummyvar(x)
并且作为预测器的截距术语,然后设计矩阵变为缺陷。
连续预测因子与分类预测器之间的交互术语L.级别由元素 - 明智的产品组成L.– 1具有连续预测器的指标变量。
两个分类预测因子之间的相互作用项L.和m级别包括(L.- 1)*(m- 1)指示器变量包括两个分类预测器级别的所有可能组合。
您无法为分类预测器指定高阶项,因为指示符的平方等于其自身。
因此,如果步骤行程
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,如果步骤行程
通过分类预测器添加或删除交互项,该功能实际地添加或删除包括分类预测器的交互术语。
步骤行程
考虑南
那''
(空字符向量),“
(空字符串),<缺失>
, 和<未定义>
价值TBL.
那X
, 和y
缺少值。步骤行程
不使用符合缺失值的观察结果。这观察税收
拟合模型的属性表示是否步骤行程
使用适合的每个观察。
您可以使用Fitlm.
,然后手动调整模型使用步
那addterms.
, 要么removeterms.
。