mnrfitgydF4y2Ba

多项式logistic回归gydF4y2Ba

语法gydF4y2Ba

B=mnrfit（X，Y）gydF4y2Ba

B = mnrfit (X, Y,名称、值)gydF4y2Ba

[B，dev，stats]=mnrfit(gydF4y2Ba＿＿＿gydF4y2Ba）gydF4y2Ba

描述gydF4y2Ba

BgydF4y2Ba= mnrfit (gydF4y2BaXgydF4y2Ba，gydF4y2BaYgydF4y2Ba）gydF4y2Ba返回一个矩阵，gydF4y2BaBgydF4y2Ba，中标称响应的多项式logistic回归的系数估计gydF4y2BaYgydF4y2Ba关于预测因子gydF4y2BaXgydF4y2Ba．gydF4y2Ba

例子gydF4y2Ba

BgydF4y2Ba= mnrfit (gydF4y2BaXgydF4y2Ba，gydF4y2BaYgydF4y2Ba，gydF4y2Ba名称、值gydF4y2Ba）gydF4y2Ba返回一个矩阵，gydF4y2BaBgydF4y2Ba一个多项式模型的系数估计值，适用于一个或多个指定的附加选项gydF4y2Ba名称、值gydF4y2Ba对参数。gydF4y2Ba

例如，可以拟合名义模型、序数模型或层次模型，或者更改链接函数。gydF4y2Ba

例子gydF4y2Ba

［gydF4y2BaBgydF4y2Ba，gydF4y2BadevgydF4y2Ba，gydF4y2Ba统计数据gydF4y2Ba) = mnrfit (gydF4y2Ba＿＿＿gydF4y2Ba）gydF4y2Ba还返回拟合的偏差，gydF4y2BadevgydF4y2Ba，以及结构gydF4y2Ba统计数据gydF4y2Ba对于前面的任何输入参数。gydF4y2Ba统计数据gydF4y2Ba包含模型统计信息，如自由度、系数估计的标准误差和残差。gydF4y2Ba

例子gydF4y2Ba

全部崩溃gydF4y2Ba

标称响应的多项式回归gydF4y2Ba

打开实时脚本gydF4y2Ba

拟合多项式回归的名义结果，并解释结果。gydF4y2Ba

加载示例数据。gydF4y2Ba

负载gydF4y2Ba鱼腥草gydF4y2Ba

列向量,gydF4y2Ba种gydF4y2Ba，由三种不同种类的鸢尾花组成，分别为刚毛鸢尾、杂色鸢尾和弗吉尼亚鸢尾gydF4y2Ba量gydF4y2Ba包括花的四种测量类型，萼片和花瓣的长度和宽度分别以厘米为单位。gydF4y2Ba

使用分类数组定义名义响应变量。gydF4y2Ba

sp =分类(物种);gydF4y2Ba

拟合多项式回归模型，使用测量值预测物种。gydF4y2Ba

[B，开发，统计]=mnrfit（多边环境协定，标准普尔）；BgydF4y2Ba

B =gydF4y2Ba5×2gydF4y2Ba10gydF4y2Ba^3.gydF4y2Ba× 1.9078 0.0426 0.6371 0.0025 -0.5375 0.0067 -0.4879 -0.0094 -2.6110 -0.0183gydF4y2Ba

这是响应类别相对风险的名义模型，在所有四个预测因子上都有单独的斜率，即每类风险gydF4y2Ba量gydF4y2Ba.第一排gydF4y2BaBgydF4y2Ba包含前两个响应类别（setosa和VersionColor）与参考类别（virginica）相对风险的截距项。后四行包含前两个类别模型的斜率。gydF4y2BamnrfitgydF4y2Ba接受第三个类别作为引用类别。gydF4y2Ba

鸢尾属2种(花斑)与属3种(virginica)的相对风险是这两种概率(属2种的概率和属3种的概率)的比率。相对风险模型为gydF4y2Ba

$自然对数gydF4y2Ba （gydF4y2Ba \frac{{πgydF4y2Ba}_{vgydF4y2Ba egydF4y2Ba rgydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba cgydF4y2Ba ogydF4y2Ba lgydF4y2Ba ogydF4y2Ba rgydF4y2Ba}}{{πgydF4y2Ba}_{vgydF4y2Ba 我gydF4y2Ba rgydF4y2Ba ggydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 我gydF4y2Ba cgydF4y2Ba 一个gydF4y2Ba}} ）gydF4y2Ba ＝gydF4y2Ba 4gydF4y2Ba 2gydF4y2Ba ．gydF4y2Ba 6gydF4y2Ba +gydF4y2Ba 2gydF4y2Ba ．gydF4y2Ba 5gydF4y2Ba {XgydF4y2Ba}_{1gydF4y2Ba} +gydF4y2Ba 6gydF4y2Ba ．gydF4y2Ba 7gydF4y2Ba {XgydF4y2Ba}_{2gydF4y2Ba} -gydF4y2Ba 9gydF4y2Ba ．gydF4y2Ba 4gydF4y2Ba {XgydF4y2Ba}_{3.gydF4y2Ba} -gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba ．gydF4y2Ba 3.gydF4y2Ba {XgydF4y2Ba}_{4gydF4y2Ba} ．gydF4y2Ba$

系数既表示预测变量对相对风险的影响，也表示与参考类别相比，属于一个类别的对数概率。例如，估计的系数2.5表明，物种2(花斑)相对于物种3 (virginica)的相对风险增加exp(2.5)倍，每增加一个单位gydF4y2Ba ${XgydF4y2Ba}_{1gydF4y2Ba}$ 在其他条件相同的情况下，这是第一个度量标准。每增加一个单位，花斑与维京的相对对数几率增加2.5倍gydF4y2Ba ${XgydF4y2Ba}_{1gydF4y2Ba}$ 考虑到其他一切都是平等的。gydF4y2Ba

如果系数收敛到无穷大或负无穷大，则估计的系数可能会略有不同，具体取决于您的操作系统。gydF4y2Ba

检查模型系数的统计显著性。gydF4y2Ba

stats.pgydF4y2Ba

ans=gydF4y2Ba5×2gydF4y2Ba0 0.0000 0 0.0281 0 0.0000 0 0.0000 0 0.0000gydF4y2Ba

小gydF4y2Ba $pgydF4y2Ba$ -值表明，所有的衡量标准都是显著的相对风险，作为一个梭子蟹相对于一个弗吉尼亚(物种1相对于物种3)，以及作为一个花斑蟹相对于一个弗吉尼亚(物种2相对于物种3)。gydF4y2Ba

请求系数估计的标准误差。gydF4y2Ba

stats.segydF4y2Ba

ans=gydF4y2Ba5×2gydF4y2Ba12.4038 5.2719 3.5783 1.1228 3.1760 1.4789 3.5403 1.2934 7.1203 2.0967gydF4y2Ba

计算系数的95%置信限。gydF4y2Ba

LL=stats.beta-1.96.*stats.se；UL=stats.beta+1.96.*stats.se；gydF4y2Ba

显示模型系数的置信区间，以确定刚毛与维吉尼亚的相对风险（图中的第一列系数）gydF4y2BaBgydF4y2Ba).gydF4y2Ba

(LL (: 1) UL (: 1))gydF4y2Ba

ans=gydF4y2Ba5×2gydF4y2Ba10gydF4y2Ba^3.gydF4y2Ba× 1.8835 1.9321 0.6301 0.6441 -0.5437 -0.5313 -0.4949 -0.4810 -2.6249 -2.5970gydF4y2Ba

找到模型系数的置信区间的相对风险是一个花斑与一个维京(系数的第二列gydF4y2BaBgydF4y2Ba).gydF4y2Ba

[LL（：，2）UL（：，2）]gydF4y2Ba

ans=gydF4y2Ba5×2gydF4y2Ba32.3049 52.9707 0.2645 4.6660 3.7823 9.5795 -11.9644 -6.8944 -22.3957 -14.1766gydF4y2Ba

有序响应的多项式回归gydF4y2Ba

打开实时脚本gydF4y2Ba

拟合类别间具有自然排序的类别响应的多项式回归模型。gydF4y2Ba

加载样本数据并定义预测变量。gydF4y2Ba

负载gydF4y2BacarbiggydF4y2BaX =[加速度位移马力重量];gydF4y2Ba

预测变量是加速度、发动机排量、马力和汽车重量。响应变量为每加仑英里数（mpg）。gydF4y2Ba

创建有序响应变量分类gydF4y2Ba英里/加仑gydF4y2Ba将9-19的响应值标记为1,20-29为2,30-39为3,40-48为4，将9- 48的响应值分为4个级别。gydF4y2Ba

英里数=序数（英里数{gydF4y2Ba' 1 'gydF4y2Ba，gydF4y2Ba' 2 'gydF4y2Ba，gydF4y2Ba'3'gydF4y2Ba，gydF4y2Ba'4'gydF4y2Ba},[],[39 9日,19日,29日,48]);gydF4y2Ba

为响应变量拟合顺序响应模型gydF4y2Ba英里gydF4y2Ba．gydF4y2Ba

[B, dev,统计]= mnrfit (X,英里,gydF4y2Ba“模型”gydF4y2Ba，gydF4y2Ba“序数”gydF4y2Ba); BgydF4y2Ba

B =gydF4y2Ba7×1gydF4y2Ba-16.6895 -11.7208 -8.0606 0.1048 0.0103 0.0645 0.0017gydF4y2Ba

前三个要素gydF4y2BaBgydF4y2Ba是用于模型的截距术语，和的最后四个元素gydF4y2BaBgydF4y2Ba是协变量的系数，假设在所有类别中通用。此模型对应于gydF4y2Ba平行回归gydF4y2Ba，也叫gydF4y2Ba比例赔率gydF4y2Ba模型中，类别之间有不同的截距，但斜率相同。可以使用gydF4y2Ba“互动”，“关”gydF4y2Ba名称-值对参数，这是序数模型的默认参数。gydF4y2Ba

[B（1:3）'；repmat（B（4:end），1,3）]gydF4y2Ba

ans=gydF4y2Ba5×3gydF4y2Ba-16.6895 -11.7208 -8.0606 0.1048 0.1048 0.0103 0.0103 0.0645 0.0645 0.0645 0.0017 0.0017gydF4y2Ba

模型中的链接函数为logit (gydF4y2Ba“链接”、“分对数的gydF4y2Ba)，这是序数模型的默认值。系数表示车辆mpg小于或等于一个值与大于该值的相对风险或对数几率。gydF4y2Ba

本例中的比例赔率模型为gydF4y2Ba

$\begin{array}{l} 自然对数gydF4y2Ba （gydF4y2Ba \frac{PgydF4y2Ba （gydF4y2Ba 米gydF4y2Ba pgydF4y2Ba ggydF4y2Ba \leqgydF4y2Ba 1gydF4y2Ba 9gydF4y2Ba ）gydF4y2Ba}{PgydF4y2Ba （gydF4y2Ba 米gydF4y2Ba pgydF4y2Ba ggydF4y2Ba >gydF4y2Ba 1gydF4y2Ba 9gydF4y2Ba ）gydF4y2Ba} ）gydF4y2Ba ＝gydF4y2Ba -gydF4y2Ba 1gydF4y2Ba 6gydF4y2Ba ．gydF4y2Ba 6gydF4y2Ba 8gydF4y2Ba 9gydF4y2Ba 5gydF4y2Ba +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 4gydF4y2Ba 8gydF4y2Ba {XgydF4y2Ba}_{一个gydF4y2Ba} +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 3.gydF4y2Ba {XgydF4y2Ba}_{DgydF4y2Ba} +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 0gydF4y2Ba 6gydF4y2Ba 4gydF4y2Ba 5gydF4y2Ba {XgydF4y2Ba}_{HgydF4y2Ba} +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba {XgydF4y2Ba}_{WgydF4y2Ba} \\ 自然对数gydF4y2Ba （gydF4y2Ba \frac{PgydF4y2Ba （gydF4y2Ba 米gydF4y2Ba pgydF4y2Ba ggydF4y2Ba \leqgydF4y2Ba 2gydF4y2Ba 9gydF4y2Ba ）gydF4y2Ba}{PgydF4y2Ba （gydF4y2Ba 米gydF4y2Ba pgydF4y2Ba ggydF4y2Ba >gydF4y2Ba 2gydF4y2Ba 9gydF4y2Ba ）gydF4y2Ba} ）gydF4y2Ba ＝gydF4y2Ba -gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba ．gydF4y2Ba 7gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba 8gydF4y2Ba +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 4gydF4y2Ba 8gydF4y2Ba {XgydF4y2Ba}_{一个gydF4y2Ba} +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 3.gydF4y2Ba {XgydF4y2Ba}_{DgydF4y2Ba} +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 0gydF4y2Ba 6gydF4y2Ba 4gydF4y2Ba 5gydF4y2Ba {XgydF4y2Ba}_{HgydF4y2Ba} +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba {XgydF4y2Ba}_{WgydF4y2Ba} \\ 自然对数gydF4y2Ba （gydF4y2Ba \frac{PgydF4y2Ba （gydF4y2Ba 米gydF4y2Ba pgydF4y2Ba ggydF4y2Ba \leqgydF4y2Ba 3.gydF4y2Ba 9gydF4y2Ba ）gydF4y2Ba}{PgydF4y2Ba （gydF4y2Ba 米gydF4y2Ba pgydF4y2Ba ggydF4y2Ba >gydF4y2Ba 3.gydF4y2Ba 9gydF4y2Ba ）gydF4y2Ba} ）gydF4y2Ba ＝gydF4y2Ba -gydF4y2Ba 8gydF4y2Ba ．gydF4y2Ba 0gydF4y2Ba 6gydF4y2Ba 0gydF4y2Ba 6gydF4y2Ba +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 4gydF4y2Ba 8gydF4y2Ba {XgydF4y2Ba}_{一个gydF4y2Ba} +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 3.gydF4y2Ba {XgydF4y2Ba}_{DgydF4y2Ba} +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 0gydF4y2Ba 6gydF4y2Ba 4gydF4y2Ba 5gydF4y2Ba {XgydF4y2Ba}_{HgydF4y2Ba} +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba {XgydF4y2Ba}_{WgydF4y2Ba} \end{array}$

例如,0.1048的系数估计表明,单位加速度的变化会影响汽车的mpg的可能性要小于或等于19和超过19日或者是小于或等于29岁与大于29日或者是小于或等于39岁和大于39岁在其他条件相等的情况下，通过exp(0.01048)。gydF4y2Ba

评估系数的显著性。gydF4y2Ba

stats.pgydF4y2Ba

ans=gydF4y2Ba7×1gydF4y2Ba0.0000 0.0000 0.0000 0.1899 0.0350 0.0000 0.0118gydF4y2Ba

的gydF4y2Ba $pgydF4y2Ba$ -分别为0.035、0.0000和0.0118的发动机排气量、马力和汽车重量，表明这些因素对汽车的MPG小于或等于某一数值或大于该数值的几率非常重要。gydF4y2Ba

层次多项式回归模型gydF4y2Ba

打开实时脚本gydF4y2Ba

拟合层次多项式回归模型。gydF4y2Ba

加载示例数据。gydF4y2Ba

装载(gydF4y2Ba“smoking.mat”gydF4y2Ba);gydF4y2Ba

数据集gydF4y2Ba吸烟gydF4y2Ba包含五个变量：性别、年龄、体重、收缩压和舒张压。性别是一个二元变量，其中1表示女性患者，0表示男性患者。gydF4y2Ba

定义响应变量。gydF4y2Ba

Y=分类（吸烟、吸烟者）；gydF4y2Ba

中的数据gydF4y2Ba吸烟者gydF4y2Ba有四类:gydF4y2Ba

0：不吸烟，每天0支烟gydF4y2Ba
1:吸烟者，每天1 - 5支gydF4y2Ba
2：吸烟者，每天6-10支香烟gydF4y2Ba
3:吸烟者，一天抽11支或更多gydF4y2Ba

定义预测变量。gydF4y2Ba

X=[吸烟、性吸烟、年龄吸烟、体重]gydF4y2Ba...gydF4y2Ba吸烟。年代y年代tol我cBP吸烟。D我一个年代tolicBP];

拟合层次多项式模型。gydF4y2Ba

[B, dev,统计]= mnrfit (X, Y,gydF4y2Ba“模型”gydF4y2Ba，gydF4y2Ba“等级制”gydF4y2Ba); BgydF4y2Ba

B =gydF4y2Ba6×3gydF4y2Ba0.0230 0.0662 0.0188 0.0625 0.1335 0.0046 -0.0072 -0.0130 -0.2170 0.0416 -0.0324 -0.2273 -0.1449 -0.4824gydF4y2Ba

第一列gydF4y2BaBgydF4y2Ba包括非吸烟者与吸烟者相对风险模型的截距和系数估计。第二列包括对每天吸1-5支香烟和每天吸5支以上香烟的对数概率建模的参数估计。最后，第三列包括对一个人每天抽6-10支香烟与每天抽10支以上香烟的对数概率建模的参数估计，假设他/她每天抽5支以上香烟。gydF4y2Ba

系数因类别而异。您可以使用gydF4y2Ba“互动”,“上”gydF4y2Ba名称-值对参数，这是分层模型的默认参数。这个例子中的模型是gydF4y2Ba

$自然对数gydF4y2Ba （gydF4y2Ba \frac{PgydF4y2Ba （gydF4y2Ba ygydF4y2Ba ＝gydF4y2Ba 0gydF4y2Ba ）gydF4y2Ba}{PgydF4y2Ba （gydF4y2Ba ygydF4y2Ba >gydF4y2Ba 0gydF4y2Ba ）gydF4y2Ba} ）gydF4y2Ba ＝gydF4y2Ba 4gydF4y2Ba 3.gydF4y2Ba ．gydF4y2Ba 8gydF4y2Ba 1gydF4y2Ba 4gydF4y2Ba 8gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ．gydF4y2Ba 8gydF4y2Ba 7gydF4y2Ba 0gydF4y2Ba 9gydF4y2Ba {XgydF4y2Ba}_{年代gydF4y2Ba} +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba 8gydF4y2Ba {XgydF4y2Ba}_{一个gydF4y2Ba} +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 4gydF4y2Ba 6gydF4y2Ba {XgydF4y2Ba}_{WgydF4y2Ba} -gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 2gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba 0gydF4y2Ba {XgydF4y2Ba}_{年代gydF4y2Ba BgydF4y2Ba PgydF4y2Ba} -gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 2gydF4y2Ba 2gydF4y2Ba 7gydF4y2Ba 3.gydF4y2Ba {XgydF4y2Ba}_{DgydF4y2Ba BgydF4y2Ba PgydF4y2Ba}$

$自然对数gydF4y2Ba （gydF4y2Ba \frac{PgydF4y2Ba （gydF4y2Ba 1gydF4y2Ba \leqgydF4y2Ba ygydF4y2Ba \leqgydF4y2Ba 5gydF4y2Ba ）gydF4y2Ba}{PgydF4y2Ba （gydF4y2Ba ygydF4y2Ba >gydF4y2Ba 5gydF4y2Ba ）gydF4y2Ba} ）gydF4y2Ba ＝gydF4y2Ba 5gydF4y2Ba ．gydF4y2Ba 9gydF4y2Ba 5gydF4y2Ba 7gydF4y2Ba 1gydF4y2Ba -gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 0gydF4y2Ba 2gydF4y2Ba 3.gydF4y2Ba 0gydF4y2Ba {XgydF4y2Ba}_{年代gydF4y2Ba} +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 0gydF4y2Ba 6gydF4y2Ba 2gydF4y2Ba 5gydF4y2Ba {XgydF4y2Ba}_{一个gydF4y2Ba} -gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 7gydF4y2Ba 2gydF4y2Ba {XgydF4y2Ba}_{WgydF4y2Ba} +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 0gydF4y2Ba 4gydF4y2Ba 1gydF4y2Ba 6gydF4y2Ba {XgydF4y2Ba}_{年代gydF4y2Ba BgydF4y2Ba PgydF4y2Ba} -gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 1gydF4y2Ba 4gydF4y2Ba 4gydF4y2Ba 9gydF4y2Ba {XgydF4y2Ba}_{DgydF4y2Ba BgydF4y2Ba PgydF4y2Ba}$

$自然对数gydF4y2Ba （gydF4y2Ba \frac{PgydF4y2Ba （gydF4y2Ba 6gydF4y2Ba \leqgydF4y2Ba ygydF4y2Ba \leqgydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba ）gydF4y2Ba}{PgydF4y2Ba （gydF4y2Ba ygydF4y2Ba >gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba ）gydF4y2Ba} ）gydF4y2Ba ＝gydF4y2Ba 4gydF4y2Ba 4gydF4y2Ba ．gydF4y2Ba 0gydF4y2Ba 7gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 0gydF4y2Ba 6gydF4y2Ba 6gydF4y2Ba 2gydF4y2Ba {XgydF4y2Ba}_{年代gydF4y2Ba} +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 1gydF4y2Ba 3.gydF4y2Ba 3.gydF4y2Ba 5gydF4y2Ba {XgydF4y2Ba}_{一个gydF4y2Ba} -gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 3.gydF4y2Ba 0gydF4y2Ba {XgydF4y2Ba}_{WgydF4y2Ba} -gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 0gydF4y2Ba 3.gydF4y2Ba 2gydF4y2Ba 4gydF4y2Ba {XgydF4y2Ba}_{年代gydF4y2Ba BgydF4y2Ba PgydF4y2Ba} -gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 4gydF4y2Ba 8gydF4y2Ba 2gydF4y2Ba 4gydF4y2Ba {XgydF4y2Ba}_{DgydF4y2Ba BgydF4y2Ba PgydF4y2Ba}$

例如，系数估计为1.8709，表明吸烟者相对于不吸烟者的可能性增加exp(1.8709) = 6.49倍，因为在其他所有因素保持不变的情况下，性别从女性变为男性。gydF4y2Ba

评估术语的统计意义。gydF4y2Ba

stats.pgydF4y2Ba

ans=gydF4y2Ba6×3gydF4y2Ba0.0000 0.5363 0.2149 0.3549 0.9912 0.9835 0.6850 0.2676 0.2313 0.9032 0.8523 0.8514 0.0009 0.5187 0.8165 0.0004 0.0483 0.0545gydF4y2Ba

性别、年龄或体重在任何水平上都不显着。的gydF4y2Ba $pgydF4y2Ba$ -值分别为0.0009和0.0004，表明两种类型的血压对吸烟者和非吸烟者的相对风险有显著影响。的gydF4y2Ba $pgydF4y2Ba$ -值0.0483表明，与每天吸烟5支以上的人相比，每天吸烟0-5支的人的几率只有舒张压显著gydF4y2Ba $pgydF4y2Ba$ -值为0.0545表明舒张压在一个人每天吸6-10支香烟和超过10支香烟的几率上是显著的。gydF4y2Ba

检查是否有任何不重要的因素相互关联。按性别绘制年龄与体重的散点图。gydF4y2Ba

图()gscatter (smoking.Age、smoking.Weight smoking.Sex)传说(gydF4y2Ba“男性”gydF4y2Ba，gydF4y2Ba“女性”gydF4y2Ba)xlabel(gydF4y2Ba“年龄”gydF4y2Ba)伊拉贝尔(gydF4y2Ba“重量”gydF4y2Ba）gydF4y2Ba

图中包含一个轴对象。轴对象包含两个类型为line的对象。这些物品代表男性，女性。gydF4y2Ba

每个人的体重范围似乎因性别而异。年龄似乎与性别或体重没有任何明显的相关性。年龄无关紧要，体重似乎与性别有关，所以你可以排除这两者，重新构建模型。gydF4y2Ba

从模型中剔除年龄和体重，并拟合以性别、收缩压和舒张压为预测变量的分层模型。gydF4y2Ba

X=双倍（[吸烟、性吸烟、收缩压gydF4y2Ba...gydF4y2Basmoking.DiastolicBP]);[B, dev,统计]= mnrfit (X, Y,gydF4y2Ba“模型”gydF4y2Ba，gydF4y2Ba“等级制”gydF4y2Ba); BgydF4y2Ba

B =gydF4y2Ba4×3gydF4y2Ba44.8456 5.3230 25.0248 1.6045 0.2330 0.4982 0.2161 0.0497 0.0179 -0.2222 -0.1358 -0.3092gydF4y2Ba

这里，系数估计值为1.6045表明，随着性别从男性到女性的变化，不吸烟与吸烟的可能性增加exp（1.6045）=4.97倍。收缩压的单位增加表示exp（–.2161）=0.8056不吸烟者与吸烟者的可能性降低。类似地，舒张压的单位增加表明不吸烟者与吸烟者的相对比率exp（–.2222）=0.8007降低。gydF4y2Ba

评估术语的统计意义。gydF4y2Ba

stats.pgydF4y2Ba

ans=gydF4y2Ba4×3gydF4y2Ba0.0000 0.4715 0.2325 0.0210 0.7488 0.6362 0.0010 0.4107 0.8899 0.0003 0.0483 0.0718gydF4y2Ba

的gydF4y2Ba $pgydF4y2Ba$ -0.0210、0.0010和0.0003的值表明，考虑到模型中的其他术语，性别和两种类型的血压对一个人不吸烟与吸烟者的相对风险有显著影响gydF4y2Ba $pgydF4y2Ba$ -值为0.0483时，考虑到这个人是吸烟者，舒张压在一个人每天吸1-5支烟与超过5支烟的相对风险上显得显著。因为没有一个gydF4y2Ba $pgydF4y2Ba$ -第三列的值小于0.05，你可以说，对于一个人吸6-10支香烟和超过10支香烟的相对风险，没有任何变量在统计上具有显著性，假设这个人每天吸烟超过5支。gydF4y2Ba

输入参数gydF4y2Ba

全部崩溃gydF4y2Ba

`XgydF4y2Ba`- - - - - -gydF4y2Ba预测变量的观测gydF4y2Ba
ngydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba矩阵gydF4y2Ba

预测变量的观测值，指定为gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba矩阵gydF4y2BaXgydF4y2Ba包含gydF4y2BangydF4y2Ba观察gydF4y2BapgydF4y2Ba预测因素。gydF4y2Ba

请注意gydF4y2Ba

mnrfitgydF4y2Ba在所有模型中自动包含一个常数项(截距)。不包括一列1吗gydF4y2BaXgydF4y2Ba．gydF4y2Ba

数据类型:gydF4y2Ba仅有一个的gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`YgydF4y2Ba`- - - - - -gydF4y2Ba响应值gydF4y2Ba
ngydF4y2Ba——- - - - - -gydF4y2BakgydF4y2Ba矩阵gydF4y2Ba|gydF4y2BangydF4y2Ba-by-1列向量gydF4y2Ba

响应值，指定为列向量或矩阵。gydF4y2BaYgydF4y2Ba可以是以下情况之一:gydF4y2Ba

一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BakgydF4y2Ba矩阵,gydF4y2BaYgydF4y2Ba（gydF4y2Ba我gydF4y2Ba，gydF4y2BajgydF4y2Ba)是多项式类别的结果数gydF4y2BajgydF4y2Ba为给出的预测器组合gydF4y2BaXgydF4y2Ba（gydF4y2Ba我gydF4y2Ba:)。在这种情况下，对每个预测器组合进行观测。gydF4y2Ba
一个gydF4y2BangydF4y2Ba-从1到1的标量整数的by-1列向量gydF4y2BakgydF4y2Ba指示每次观察的响应值。在这种情况下，所有样本大小均为1。gydF4y2Ba
一个gydF4y2BangydF4y2Ba-by-1分类数组，表示每个观察的响应的标称或序号值。在本例中，所有样本容量为1。gydF4y2Ba

名称-值参数gydF4y2Ba

指定可选的逗号分隔的字符对gydF4y2Ba名称、值gydF4y2Ba参数。gydF4y2Ba名称gydF4y2Ba是参数名和gydF4y2Ba价值gydF4y2Ba是对应的值。gydF4y2Ba名称gydF4y2Ba必须出现在引号内。您可以按任意顺序指定多个名称和值对参数，如下所示：gydF4y2BaName1, Value1,…,的家gydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba“模型”、“顺序”,“链接”,“probit”gydF4y2Ba指定带有probit链接函数的序数模型。gydF4y2Ba

`模型gydF4y2Ba`- - - - - -gydF4y2Ba要安装的模型类型gydF4y2Ba
`“名义”gydF4y2Ba`（默认）|gydF4y2Ba`“序数”gydF4y2Ba`|gydF4y2Ba`“等级制”gydF4y2Ba`

要匹配的模型类型，指定为逗号分隔对，由gydF4y2Ba“模型”gydF4y2Ba下面是其中之一。gydF4y2Ba

`“名义”gydF4y2Ba`	默认值。响应类别之间没有排序。gydF4y2Ba
`“序数”gydF4y2Ba`	在响应类别中有一个自然的顺序。gydF4y2Ba
`“等级制”gydF4y2Ba`	响应类别的选择是顺序/嵌套的。gydF4y2Ba

例子:gydF4y2Ba“模型”、“序数”gydF4y2Ba

`相互作用gydF4y2Ba`- - - - - -gydF4y2Ba多项式类别与系数相互作用的指标gydF4y2Ba
`“开”gydF4y2Ba`|gydF4y2Ba`“关闭”gydF4y2Ba`

多项类别和系数之间的交互指示符，指定为逗号分隔对组成gydF4y2Ba“互动”gydF4y2Ba下面是其中之一。gydF4y2Ba

`“开”gydF4y2Ba`	标称模型和层次模型的默认值。使用不同类别的系数拟合模型。gydF4y2Ba
`“关闭”gydF4y2Ba`	默认为序数模型。拟合一个模型与一组公共系数的预测变量，跨越所有多项类别。这通常被描述为gydF4y2Ba平行回归gydF4y2Ba或者是gydF4y2Ba比例优势模型gydF4y2Ba．gydF4y2Ba

在所有情况下，模型跨类别有不同的拦截。的选择gydF4y2Ba“互动”gydF4y2Ba确定输出数组的维度gydF4y2BaBgydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba“互动”，“关”gydF4y2Ba

`链接gydF4y2Ba`- - - - - -gydF4y2Ba链接功能gydF4y2Ba
`“罗吉特”gydF4y2Ba`（默认）|gydF4y2Ba`“可能吧”gydF4y2Ba`|gydF4y2Ba`“comploglog”gydF4y2Ba`|gydF4y2Ba`“重对数”gydF4y2Ba`

链接函数用于顺序和层次模型，指定为逗号分隔对组成gydF4y2Ba“链接”gydF4y2Ba下面是其中之一。gydF4y2Ba

`“罗吉特”gydF4y2Ba`	违约。gydF4y2BafgydF4y2Ba（gydF4y2BaγgydF4y2Ba) = ln (gydF4y2BaγgydF4y2Ba/(1 –gydF4y2BaγgydF4y2Ba))gydF4y2Ba
`“可能吧”gydF4y2Ba`	fgydF4y2Ba（gydF4y2BaγgydF4y2Ba) = ΦgydF4y2Ba^-1gydF4y2Ba（gydF4y2BaγgydF4y2Ba) -误差项为正态分布，方差为1gydF4y2Ba
`“comploglog”gydF4y2Ba`	互补的双对数gydF4y2Ba fgydF4y2Ba（gydF4y2BaγgydF4y2Ba) = ln(- ln(1 -gydF4y2BaγgydF4y2Ba))gydF4y2Ba
`“重对数”gydF4y2Ba`	fgydF4y2Ba（gydF4y2BaγgydF4y2Ba)=ln（–ln）(gydF4y2BaγgydF4y2Ba))gydF4y2Ba

链接函数定义了响应概率和预测器的线性组合之间的关系，gydF4y2BaXgydF4y2BaβgydF4y2Ba。链接函数可能是累积概率或条件概率的函数，这取决于模型是针对顺序响应还是针对顺序/嵌套响应。例如，对于顺序模型，gydF4y2BaγgydF4y2Ba表示属于类别1到的累积概率gydF4y2BajgydF4y2Ba以及具有logit链接功能的模型，如下所示：gydF4y2Ba

$自然对数gydF4y2Ba （gydF4y2Ba \frac{γgydF4y2Ba}{1gydF4y2Ba -gydF4y2Ba γgydF4y2Ba} ）gydF4y2Ba ＝gydF4y2Ba 自然对数gydF4y2Ba （gydF4y2Ba \frac{{πgydF4y2Ba}_{1gydF4y2Ba} +gydF4y2Ba {πgydF4y2Ba}_{2gydF4y2Ba} +gydF4y2Ba \dotsgydF4y2Ba +gydF4y2Ba {πgydF4y2Ba}_{jgydF4y2Ba}}{{πgydF4y2Ba}_{jgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba} +gydF4y2Ba \dotsgydF4y2Ba +gydF4y2Ba {πgydF4y2Ba}_{kgydF4y2Ba}} ）gydF4y2Ba ＝gydF4y2Ba {βgydF4y2Ba}_{0gydF4y2Ba jgydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{1gydF4y2Ba} {XgydF4y2Ba}_{1gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{2gydF4y2Ba} {XgydF4y2Ba}_{2gydF4y2Ba} +gydF4y2Ba \dotsgydF4y2Ba +gydF4y2Ba {βgydF4y2Ba}_{pgydF4y2Ba} {XgydF4y2Ba}_{pgydF4y2Ba} ，gydF4y2Ba$

哪里gydF4y2BakgydF4y2Ba表示最后一个类别。gydF4y2Ba

您不能指定gydF4y2Ba“链接”gydF4y2Ba标称模型的参数；这些模型始终使用多项式logit链接，gydF4y2Ba

$自然对数gydF4y2Ba （gydF4y2Ba \frac{{πgydF4y2Ba}_{jgydF4y2Ba}}{{πgydF4y2Ba}_{rgydF4y2Ba}} ）gydF4y2Ba ＝gydF4y2Ba {βgydF4y2Ba}_{jgydF4y2Ba 0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{jgydF4y2Ba 1gydF4y2Ba} {XgydF4y2Ba}_{jgydF4y2Ba 1gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{jgydF4y2Ba 2gydF4y2Ba} {XgydF4y2Ba}_{jgydF4y2Ba 2gydF4y2Ba} +gydF4y2Ba \dotsgydF4y2Ba +gydF4y2Ba {βgydF4y2Ba}_{jgydF4y2Ba pgydF4y2Ba} {XgydF4y2Ba}_{jgydF4y2Ba pgydF4y2Ba} ，gydF4y2Ba jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba ．..gydF4y2Ba ，gydF4y2Ba kgydF4y2Ba -gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba$

哪里gydF4y2BaπgydF4y2Ba代表绝对概率，而且gydF4y2BargydF4y2Ba对应于参考类别。gydF4y2BamnrfitgydF4y2Ba将最后一个类别用作标称模型的参考类别。gydF4y2Ba

例子:gydF4y2Ba“链接”，“日志”gydF4y2Ba

`EstDispgydF4y2Ba`- - - - - -gydF4y2Ba估计色散参数的指标gydF4y2Ba
`“关闭”gydF4y2Ba`（默认）|gydF4y2Ba`“开”gydF4y2Ba`

用于估计离散参数的指示器，指定为逗号分隔对，由gydF4y2Ba“EstDisp”gydF4y2Ba下面是其中之一。gydF4y2Ba

`“关闭”gydF4y2Ba`	默认值。使用理论分散值1。gydF4y2Ba
`“开”gydF4y2Ba`	在计算标准误差时，估计多项式分布的离散参数。gydF4y2Ba

例子:gydF4y2Ba“EstDisp”和“on”gydF4y2Ba

输出参数gydF4y2Ba

全部崩溃gydF4y2Ba

`BgydF4y2Ba`-系数估计gydF4y2Ba
向量|矩阵gydF4y2Ba

反应的多项式logistic回归的系数估计gydF4y2BaYgydF4y2Ba，返回为向量或矩阵。gydF4y2Ba

如果gydF4y2Ba“互动”gydF4y2Ba是gydF4y2Ba“关闭”gydF4y2Ba,然后gydF4y2BaBgydF4y2Ba是一个gydF4y2BakgydF4y2Ba– 1 +gydF4y2BapgydF4y2Ba向量。第一个gydF4y2BakgydF4y2Ba–1排gydF4y2BaBgydF4y2Ba对应于截取项，每个截取项一个gydF4y2BakgydF4y2Ba–1个多项式类别，其余gydF4y2BapgydF4y2Ba行与预测器系数相对应，预测器系数对于所有第一行都是公共的gydF4y2BakgydF4y2Ba- 1类。gydF4y2Ba
如果gydF4y2Ba“互动”gydF4y2Ba是gydF4y2Ba“开”gydF4y2Ba,然后gydF4y2BaBgydF4y2Ba是一个(gydF4y2BapgydF4y2Ba+ 1)————(gydF4y2BakgydF4y2Ba–1）矩阵。每列gydF4y2BaBgydF4y2Ba对应于估计的截距项和预测系数，前一项各一个gydF4y2BakgydF4y2Ba- 1个多项式类别。gydF4y2Ba

估计gydF4y2BakgydF4y2Ba第四类被视为零gydF4y2BamnrfitgydF4y2Ba将最后一个类别作为引用类别。gydF4y2Ba

`devgydF4y2Ba`-拟合偏差gydF4y2Ba
标量值gydF4y2Ba

拟合偏差，作为标量值返回。它是最大可实现对数似然与拟合模型下获得的最大可实现对数似然之差的两倍。这对应于偏差残差之和，gydF4y2Ba

$dgydF4y2Ba egydF4y2Ba vgydF4y2Ba ＝gydF4y2Ba 2gydF4y2Ba ＊gydF4y2Ba {\sumgydF4y2Ba}_{我gydF4y2Ba}^{ngydF4y2Ba} {\sumgydF4y2Ba}_{jgydF4y2Ba}^{kgydF4y2Ba} {ygydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} ＊gydF4y2Ba 日志gydF4y2Ba （gydF4y2Ba \frac{{ygydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}}{{\overset{＾gydF4y2Ba}{πgydF4y2Ba}}_{我gydF4y2Ba jgydF4y2Ba} ＊gydF4y2Ba {米gydF4y2Ba}_{我gydF4y2Ba}} ）gydF4y2Ba ＝gydF4y2Ba {\sumgydF4y2Ba}_{我gydF4y2Ba}^{ngydF4y2Ba} rgydF4y2Ba {dgydF4y2Ba}_{我gydF4y2Ba} ，gydF4y2Ba$

哪里gydF4y2Ba研发部gydF4y2Ba_我gydF4y2Ba是偏差残差。偏差残差见gydF4y2Ba统计数据gydF4y2Ba．gydF4y2Ba

`统计数据gydF4y2Ba`——模型统计gydF4y2Ba
结构gydF4y2Ba

模型统计信息，作为包含以下字段的结构返回。gydF4y2Ba

`贝塔gydF4y2Ba`	系数估计。这些和gydF4y2Ba`BgydF4y2Ba`．gydF4y2Ba
`教育部gydF4y2Ba`	误差的自由度gydF4y2Ba 如果gydF4y2Ba`“互动”gydF4y2Ba`是gydF4y2Ba`“关闭”gydF4y2Ba`，则自由度为gydF4y2BangydF4y2Ba(gydF4y2BakgydF4y2Ba- 1 - (gydF4y2BakgydF4y2Ba– 1 +gydF4y2BapgydF4y2Ba).gydF4y2Ba 如果gydF4y2Ba`“互动”gydF4y2Ba`是gydF4y2Ba`“开”gydF4y2Ba`，则自由度为(gydF4y2BangydF4y2Ba- - - - - -gydF4y2BapgydF4y2Ba+ 1) (gydF4y2BakgydF4y2Ba- 1)。gydF4y2Ba
`sfitgydF4y2Ba`	估计色散参数。gydF4y2Ba
`年代gydF4y2Ba`	理论或估计的色散参数。gydF4y2Ba 如果gydF4y2Ba`“Estdisp”gydF4y2Ba`是gydF4y2Ba`“关闭”gydF4y2Ba`,然后gydF4y2Ba`年代gydF4y2Ba`是理论色散参数，1。gydF4y2Ba 如果gydF4y2Ba`“Estdisp”gydF4y2Ba`是gydF4y2Ba`“开”gydF4y2Ba`,然后gydF4y2Ba`年代gydF4y2Ba`等于估计的色散参数，gydF4y2Ba`sfitgydF4y2Ba`．gydF4y2Ba
`estdispgydF4y2Ba`	理论的或估计的色散参数的指示器。gydF4y2Ba
`东南方gydF4y2Ba`	系数估计的标准误差，gydF4y2Ba`BgydF4y2Ba`．gydF4y2Ba
`科夫科尔gydF4y2Ba`	估计的相关矩阵gydF4y2Ba`BgydF4y2Ba`．gydF4y2Ba
`covbgydF4y2Ba`	估计的协方差矩阵gydF4y2Ba`BgydF4y2Ba`．gydF4y2Ba
`tgydF4y2Ba`	tgydF4y2Ba统计数字gydF4y2Ba`BgydF4y2Ba`．gydF4y2Ba
`pgydF4y2Ba`	pgydF4y2Ba-价值观gydF4y2Ba`BgydF4y2Ba`．gydF4y2Ba
`渣油gydF4y2Ba`	原始残差。观测值减去拟合值，gydF4y2Ba ${rgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} ＝gydF4y2Ba {ygydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} -gydF4y2Ba {\overset{＾gydF4y2Ba}{πgydF4y2Ba}}_{我gydF4y2Ba jgydF4y2Ba} ＊gydF4y2Ba {米gydF4y2Ba}_{我gydF4y2Ba} ，gydF4y2Ba ｛gydF4y2Ba \begin{matrix} 我gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba \dotsgydF4y2Ba ，gydF4y2Ba ngydF4y2Ba \\ jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba \dotsgydF4y2Ba ，gydF4y2Ba kgydF4y2Ba \end{matrix} ，gydF4y2Ba$ 哪里gydF4y2BaπgydF4y2Ba_ijgydF4y2Ba是绝对概率，累积概率还是条件概率，和gydF4y2Ba米gydF4y2Ba_我gydF4y2Ba是相应的样本量。gydF4y2Ba
`残渣gydF4y2Ba`	Pearson残差，即按估计标准差缩放的原始残差:gydF4y2Ba $rgydF4y2Ba {pgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} ＝gydF4y2Ba \frac{{rgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}}{{\overset{＾gydF4y2Ba}{σgydF4y2Ba}}_{我gydF4y2Ba jgydF4y2Ba}} ＝gydF4y2Ba \frac{{ygydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} -gydF4y2Ba {\overset{＾gydF4y2Ba}{πgydF4y2Ba}}_{我gydF4y2Ba jgydF4y2Ba} ＊gydF4y2Ba {米gydF4y2Ba}_{我gydF4y2Ba}}{\sqrt{{\overset{＾gydF4y2Ba}{πgydF4y2Ba}}_{我gydF4y2Ba jgydF4y2Ba} ＊gydF4y2Ba （gydF4y2Ba 1gydF4y2Ba -gydF4y2Ba {\overset{＾gydF4y2Ba}{πgydF4y2Ba}}_{我gydF4y2Ba jgydF4y2Ba} ）gydF4y2Ba ＊gydF4y2Ba {米gydF4y2Ba}_{我gydF4y2Ba}}} ，gydF4y2Ba ｛gydF4y2Ba \begin{matrix} 我gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba \dotsgydF4y2Ba ，gydF4y2Ba ngydF4y2Ba \\ jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba \dotsgydF4y2Ba ，gydF4y2Ba kgydF4y2Ba \end{matrix} ，gydF4y2Ba$ 哪里gydF4y2BaπgydF4y2Ba_ijgydF4y2Ba是分类概率、累积概率或条件概率，以及gydF4y2Ba米gydF4y2Ba_我gydF4y2Ba是相应的样本量。gydF4y2Ba
`居住gydF4y2Ba`	偏差残差：gydF4y2Ba $rgydF4y2Ba {dgydF4y2Ba}_{我gydF4y2Ba} ＝gydF4y2Ba 2gydF4y2Ba ＊gydF4y2Ba {\sumgydF4y2Ba}_{jgydF4y2Ba}^{kgydF4y2Ba} {ygydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} ＊gydF4y2Ba 日志gydF4y2Ba （gydF4y2Ba \frac{{ygydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}}{{\overset{＾gydF4y2Ba}{πgydF4y2Ba}}_{我gydF4y2Ba jgydF4y2Ba} ＊gydF4y2Ba {米gydF4y2Ba}_{我gydF4y2Ba}} ）gydF4y2Ba ，gydF4y2Ba 我gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba \dotsgydF4y2Ba ，gydF4y2Ba ngydF4y2Ba ．gydF4y2Ba$ 哪里gydF4y2BaπgydF4y2Ba_ijgydF4y2Ba是分类概率、累积概率或条件概率，以及gydF4y2Ba米gydF4y2Ba_我gydF4y2Ba是相应的样本量。gydF4y2Ba

算法gydF4y2Ba

mnrfitgydF4y2Ba对待gydF4y2Ba楠gydF4y2Ba这两种都有gydF4y2BaXgydF4y2Ba或gydF4y2BaYgydF4y2Ba作为缺少的值，并忽略它们。gydF4y2Ba

参考文献gydF4y2Ba

P. McCullagh和J. A. Nelder。gydF4y2Ba广义线性模型gydF4y2Ba．纽约:查普曼与霍尔出版社，1990。gydF4y2Ba

j·S·朗gydF4y2Ba分类和有限因变量的回归模型gydF4y2Ba.Sage出版物，1997年。gydF4y2Ba

[3] 多布森、A.J.和A.G.巴内特。gydF4y2Ba广义线性模型简介gydF4y2Ba．查普曼和大厅/ CRC。Taylor & Francis Group, 2008。gydF4y2Ba

另请参阅gydF4y2Ba

菲特格姆gydF4y2Ba|gydF4y2BamnrvalgydF4y2Ba|gydF4y2BaglmfitgydF4y2Ba|gydF4y2BaglmvalgydF4y2Ba

话题gydF4y2Ba

介绍了R2006bgydF4y2Ba

mnrfitgydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

标称响应的多项式回归gydF4y2Ba

有序响应的多项式回归gydF4y2Ba

层次多项式回归模型gydF4y2Ba

输入参数gydF4y2Ba

`XgydF4y2Ba`- - - - - -gydF4y2Ba预测变量的观测gydF4y2Ba
ngydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba矩阵gydF4y2Ba

`YgydF4y2Ba`- - - - - -gydF4y2Ba响应值gydF4y2Ba
ngydF4y2Ba——- - - - - -gydF4y2BakgydF4y2Ba矩阵gydF4y2Ba|gydF4y2BangydF4y2Ba-by-1列向量gydF4y2Ba

名称-值参数gydF4y2Ba

`模型gydF4y2Ba`- - - - - -gydF4y2Ba要安装的模型类型gydF4y2Ba
`“名义”gydF4y2Ba`（默认）|gydF4y2Ba`“序数”gydF4y2Ba`|gydF4y2Ba`“等级制”gydF4y2Ba`

`相互作用gydF4y2Ba`- - - - - -gydF4y2Ba多项式类别与系数相互作用的指标gydF4y2Ba
`“开”gydF4y2Ba`|gydF4y2Ba`“关闭”gydF4y2Ba`

`链接gydF4y2Ba`- - - - - -gydF4y2Ba链接功能gydF4y2Ba
`“罗吉特”gydF4y2Ba`（默认）|gydF4y2Ba`“可能吧”gydF4y2Ba`|gydF4y2Ba`“comploglog”gydF4y2Ba`|gydF4y2Ba`“重对数”gydF4y2Ba`

`EstDispgydF4y2Ba`- - - - - -gydF4y2Ba估计色散参数的指标gydF4y2Ba
`“关闭”gydF4y2Ba`（默认）|gydF4y2Ba`“开”gydF4y2Ba`

输出参数gydF4y2Ba

`BgydF4y2Ba`-系数估计gydF4y2Ba
向量|矩阵gydF4y2Ba

`devgydF4y2Ba`-拟合偏差gydF4y2Ba
标量值gydF4y2Ba

`统计数据gydF4y2Ba`——模型统计gydF4y2Ba
结构gydF4y2Ba

算法gydF4y2Ba

参考文献gydF4y2Ba

另请参阅gydF4y2Ba

话题gydF4y2Ba

统计和机器学习工具箱文档gydF4y2Ba

万博1manbetx

掌握机器学习:一步一步的指导与MATLABgydF4y2Ba

mnrfitgydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

标称响应的多项式回归gydF4y2Ba

有序响应的多项式回归gydF4y2Ba

层次多项式回归模型gydF4y2Ba

输入参数gydF4y2Ba

XgydF4y2Ba- - - - - -gydF4y2Ba预测变量的观测gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba矩阵gydF4y2Ba

YgydF4y2Ba- - - - - -gydF4y2Ba响应值gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BakgydF4y2Ba矩阵gydF4y2Ba|gydF4y2BangydF4y2Ba-by-1列向量gydF4y2Ba

名称-值参数gydF4y2Ba

模型gydF4y2Ba- - - - - -gydF4y2Ba要安装的模型类型gydF4y2Ba“名义”gydF4y2Ba（默认）|gydF4y2Ba“序数”gydF4y2Ba|gydF4y2Ba“等级制”gydF4y2Ba

相互作用gydF4y2Ba- - - - - -gydF4y2Ba多项式类别与系数相互作用的指标gydF4y2Ba“开”gydF4y2Ba|gydF4y2Ba“关闭”gydF4y2Ba

链接gydF4y2Ba- - - - - -gydF4y2Ba链接功能gydF4y2Ba“罗吉特”gydF4y2Ba（默认）|gydF4y2Ba“可能吧”gydF4y2Ba|gydF4y2Ba“comploglog”gydF4y2Ba|gydF4y2Ba“重对数”gydF4y2Ba

EstDispgydF4y2Ba- - - - - -gydF4y2Ba估计色散参数的指标gydF4y2Ba“关闭”gydF4y2Ba（默认）|gydF4y2Ba“开”gydF4y2Ba

输出参数gydF4y2Ba

BgydF4y2Ba-系数估计gydF4y2Ba向量|矩阵gydF4y2Ba

devgydF4y2Ba-拟合偏差gydF4y2Ba标量值gydF4y2Ba

统计数据gydF4y2Ba——模型统计gydF4y2Ba结构gydF4y2Ba

算法gydF4y2Ba

参考文献gydF4y2Ba

另请参阅gydF4y2Ba

话题gydF4y2Ba

统计和机器学习工具箱文档gydF4y2Ba

万博1manbetx

掌握机器学习:一步一步的指导与MATLABgydF4y2Ba

`XgydF4y2Ba`- - - - - -gydF4y2Ba预测变量的观测gydF4y2Ba
ngydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba矩阵gydF4y2Ba

`YgydF4y2Ba`- - - - - -gydF4y2Ba响应值gydF4y2Ba
ngydF4y2Ba——- - - - - -gydF4y2BakgydF4y2Ba矩阵gydF4y2Ba|gydF4y2BangydF4y2Ba-by-1列向量gydF4y2Ba

`模型gydF4y2Ba`- - - - - -gydF4y2Ba要安装的模型类型gydF4y2Ba
`“名义”gydF4y2Ba`（默认）|gydF4y2Ba`“序数”gydF4y2Ba`|gydF4y2Ba`“等级制”gydF4y2Ba`

`相互作用gydF4y2Ba`- - - - - -gydF4y2Ba多项式类别与系数相互作用的指标gydF4y2Ba
`“开”gydF4y2Ba`|gydF4y2Ba`“关闭”gydF4y2Ba`

`链接gydF4y2Ba`- - - - - -gydF4y2Ba链接功能gydF4y2Ba
`“罗吉特”gydF4y2Ba`（默认）|gydF4y2Ba`“可能吧”gydF4y2Ba`|gydF4y2Ba`“comploglog”gydF4y2Ba`|gydF4y2Ba`“重对数”gydF4y2Ba`

`EstDispgydF4y2Ba`- - - - - -gydF4y2Ba估计色散参数的指标gydF4y2Ba
`“关闭”gydF4y2Ba`（默认）|gydF4y2Ba`“开”gydF4y2Ba`

`BgydF4y2Ba`-系数估计gydF4y2Ba
向量|矩阵gydF4y2Ba

`devgydF4y2Ba`-拟合偏差gydF4y2Ba
标量值gydF4y2Ba

`统计数据gydF4y2Ba`——模型统计gydF4y2Ba
结构gydF4y2Ba