线性回归模型描述了A和b之间的关系因变量,y,以及一个或多个独立变量,X。因变量也被称为反应变量。自变量也叫自变量说明要么预测变量。连续预测变量也被称为连续预测变量协变量,分类预测变量也被称为因素。矩阵X对预测变量的观测通常称为设计矩阵。
多元线性回归模型为
在哪里
y我是个我响应。
βk是个kth系数,β0是模型中的常数项。有时,设计矩阵可能包含有关常数项的信息。然而,fitlm
要么stepwiselm
默认情况下,包括模型中的常数项,所以你不得进入1秒的一列到你的设计矩阵X。
Xij是个我对…的观察j预测变量,j= 1,…,p。
ε我是个我噪声项,即随机误差。
如果一个模型只包含一个预测变量(p= 1,则该模型称为简单线性回归模型。
一般来说,线性回归模型可以是模型的一种形式
在哪里f(·)是自变量的标量值函数,Xij年代。功能,f(X),可能是任何形式的,包括非线性函数或多项式。线性,在线性回归模型,是指系数的线性βk。也就是响应变量,y为系数的线性函数,βk。
线性模型的一些例子是:
下面,不过,不是线性的模型,因为它们不是线性的未知系数,βk。
线性回归模型的一般假设是:
噪音方面,ε我是不相关的。
噪音方面,ε我有独立且相同的正态分布均值为零,方差不变,σ2。因此,
和
所以y我所有级别的都是一样的吗Xij。
的响应y我是不相关的。
拟合线性函数为
在哪里 估计的反应和bks是拟合系数。对这些系数进行估计,以最小化预测向量之间的均方差 和真实的响应向量 ,这是 。此方法称为最小二乘法。在噪声项的假设下,这些系数也使预测向量的似然最大。
在线性回归模型的形式y=β1X1+β2X2+……+βpXp,系数βk表示预测变量单单位变化的影响,Xj,求响应E(y),前提是所有其他变量保持不变。系数的符号给出了效果的方向。例如,如果线性模型是E(y) = 1.8 - 2.35X1+X2,则-2.35表示平均响应下降2.35个单位,增加1个单位X1,鉴于X2是保持不变的。如果模型是E(y) = 1.1 + 1.5X12+X2,的系数X12表示的平均值增加了1.5个单位Y增加了一个单位X12给予一切保持不变。然而,在E的情况下(y) = 1.1 + 2.1X1+ 1.5X12,由于不可能保持不变,因此很难用类似的方法解释系数X1常数时X12变化或反之亦然。
[1] Neter, J., M. H. Kutner, C. J. Nachtsheim,和W. Wasserman。应用线性统计模型。欧文,麦格劳-希尔公司,1996。
[2] Seber, g.a.f。线性回归分析。威利系列在概率论与数理统计。John Wiley和Sons公司,1977年。