Обобщенная линейная образцовая регрессия
b = glmfit(X,y,
distr
)
b = glmfit(X,y,distr
,param1
,val1
,param2
,val2
,...)
[b,dev] = glmfit(...)
[b,dev,stats] = glmfit(...)
b = glmfit(X,y,
возвращается (p + 1)-by-1 векторный distr
)b
содействующих оценок для обобщенной линейной регрессии ответов в y
на предикторах в X
, с помощью распределения
. distr
X
является n-by-p матрицей p предикторов при каждом из n наблюдений. distr
может быть любым следующим: 'binomial'
, 'gamma'
, 'inverse gaussian'
, 'normal'
(значение по умолчанию), и 'poisson'
.
В большинстве случаев y
является n-1 вектором наблюдаемых ответов. Для биномиального распределения y
может быть бинарным вектором, указывающим на успешность или неуспешность при каждом наблюдении или две матрицы столбца с первым столбцом, указывающим на количество успехов для каждого наблюдения и второго столбца, указывающего на количество испытаний за каждое наблюдение.
Этот синтаксис использует каноническую ссылку (см. ниже) связать распределение с предикторами.
По умолчанию glmfit
добавляет первый столбец 1 с к X
, соответствуя постоянному члену в модели. Не вводите столбец 1 с непосредственно в X
. Можно изменить поведение по умолчанию glmfit
с помощью параметра 'constant'
, ниже.
glmfit
обрабатывает NaN
s или в X
или в y
как отсутствующие значения, и игнорирует их.
b = glmfit(X,y,
дополнительно позволяет вам задавать дополнительное название параметра / пары значения, чтобы управлять образцовой подгонкой. Приемлемые параметры следующие.distr
,param1
,val1
,param2
,val2
,...)
Параметр | Значение | Описание |
---|---|---|
'link' |
| µ = X b |
| регистрируйте (µ) = X b | |
| журнал (µ / (1 – µ)) = X b | |
'probit' | norminv (µ) = X b | |
'comploglog' | журнал (-журнал (1 – µ)) = X b | |
'reciprocal' , значение по умолчанию для распределения 'gamma' | 1/µ = X b | |
| журнал (-журнал (µ)) = X b | |
| µ p = X b | |
массив ячеек формы | Пользовательски заданная функция ссылки. Необходимо обеспечить
| |
массив структур, имеющий эти поля:
Значение каждого поля является вектором символов, соответствующим функции, которая находится на пути или указателе на функцию (созданное использование | Пользовательски заданная функция ссылки, ее производная и ее инверсия. | |
'estdisp' | 'on' | Оценивает дисперсионный параметр для распределения Пуассона или бинома. |
| Использует теоретическое значение 1,0 для тех дистрибутивов. | |
'offset' | Вектор | Используемый в качестве дополнительной переменной прогноза, но с содействующим значением, зафиксированным в 1,0. |
'weights' | Вектор предшествующих весов, таких как инверсии относительного отклонения каждого наблюдения | |
'constant' |
| Включает постоянный член в модели. Коэффициент постоянного термина является первым элементом |
'off' | Не используйте постоянный термин. |
[b,dev] = glmfit(...)
возвращает dev
, отклонение подгонки в векторе решения. Отклонение является обобщением остаточной суммы квадратов. Возможно выполнить анализ отклонения, чтобы сравнить несколько моделей, каждый подмножество другого, и протестировать, значительно лучше ли модель с большим количеством условий, чем модель с меньшим количеством условий.
[b,dev,stats] = glmfit(...)
возвращает dev
и stats
.
stats
является структурой со следующими полями:
\beta
Коэффициент оценивает b
dfe
— Степени свободы для ошибки
sfit
— Предполагаемый дисперсионный параметр
s
Теоретический или оцененный дисперсионный параметр
estdisp
— 0, когда значением аргумента пары "имя-значение" 'estdisp'
является 'off'
и 1, когда значением аргумента пары "имя-значение" 'estdisp'
является 'on'
.
covb
— Предполагаемая ковариационная матрица для B
se
— Вектор стандартных погрешностей коэффициента оценивает b
coeffcorr
— Корреляционная матрица для b
t
статистика t для b
p
p-значения для b
resid
— Вектор невязок
residp
— Вектор невязок Пирсона
residd
— Вектор невязок отклонения
resida
— Вектор невязок Anscombe
Если вы оцениваете дисперсионный параметр для бинома или распределения Пуассона, то stats.s
установлен равный stats.sfit
. Кроме того, элементы stats.se
отличаются факторным stats.s
от своих теоретических значений.
[1] Добсон, A. J. Введение в обобщенные линейные модели. Нью-Йорк: Chapman & Hall, 1990.
[2] Маккуллаг, P. и Дж. А. Нелдер. Обобщенные линейные модели. Нью-Йорк: Chapman & Hall, 1990.
[3] Collett, D. Моделирование двоичных данных. Нью-Йорк: Chapman & Hall, 2002.
GeneralizedLinearModel
| fitglm
| glmval
| regress
| regstats
| stepwiseglm