与分类预测模型

加载carsmall数据集和创建的线性回归模型MPG作为Model_Year。对待数字矢量Model_Year作为分类变量，识别使用所述预测“CategoricalVars”名称 - 值对的参数。

负载carsmallMDL = fitlm（Model_Year，MPG，“CategoricalVars”1，“VarNames”{“Model_Year”，'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

在显示该模型的公式，MPG ~ 1 + Model_Year，对应于

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

哪里 ${{\rm I}}_{\mathrm{一年}=76}$和 ${{\rm I}}_{\mathrm{一年}=82}$如果的值为，指示符变量的值是否为1Model_Year是分别为76和82。该Model_Year变量包括三个不同的值，则可以通过使用该检查独特功能。

唯一的（Model_Year）

ANS =3×170 76 82

fitlm选择中最小的值Model_Year作为参考水平('70'）并创建两个指示变量 ${{\rm I}}_{\mathrm{一年}=76}$和 ${{\rm I}}_{\mathrm{一年}=82}$。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。

模型与全指标变量

你可以解释的模型公式MDL作为具有无截距项三个指示变量模型：

$\mathit{ÿ}={\beta }_0{{\rm I}}_{{\mathit{X}}_1=70}+（{\beta }_0+{\beta }_1）{{\rm I}}_{{\mathit{X}}_1=76}+（{{\beta }_0+\beta }_2）{{\rm I}}_{{\mathit{X}}_2=82}+ϵ$。

或者，您可以通过手动创建指示符变量并指定模型公式来创建一个有三个指示符变量且没有拦截项的模型。

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

选择在模型参考电平

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，创建一个分类变量一年。

年份=分类（Model_Year）;

方法检查类别的顺序类别功能。

类别（年）

ANS =3X1细胞””{70}{76}{82 '}

如果您使用一年作为预测变量，则fitlm选择第一类'70'作为参考电平。重新排序一年通过使用reordercats功能。

Year_reordered = reordercats（年，{'76'，'70'，'82'}）;类别（Year_reordered）

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Year_reordered。

MDL2 = fitlm（Year_reordered，MPG，“VarNames”{“Model_Year”，'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，包括两个指标变量 ${{\rm I}}_{\mathrm{一年}=70}$和 ${{\rm I}}_{\mathrm{一年}=82}$。

评估分类预测

模型显示MDL2包括一个p-每一项的值，以检验对应系数是否为零。每一个p-value检查每个指标变量。检查分类变量Model_Year为一组指示变量的，使用方差分析。使用'组件'（默认）选项，返回一个部件ANOVA表，其包括用于在除了所述常数项的模型中的每个变量ANOVA统计。

方差分析（MDL2，'组件'）

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，它是比小p指示器变量 - 值。