Exponenta Banner
exponenta event banner

coefCI

Доверительные интервалы содействующих оценок модели линейной регрессии

свернуть все на странице

Синтаксис

ci = coefCI(mdl)
ci = coefCI(mdl,alpha)

Описание

пример

ci = coefCI(mdl) возвращает 95% доверительных интервалов для коэффициентов в mdl.

пример

ci = coefCI(mdl,alpha) возвращает доверительные интервалы с помощью доверительного уровня 1 – alpha.

Примеры

свернуть все

Скрипт Open Live Script

Соответствуйте модели линейной регрессии и получите значение по умолчанию 95% доверительных интервалов для получившихся коэффициентов модели.

Загрузите набор данных carbig и составьте таблицу, в которой предиктор Origin является категориальным.

load carbig
Origin = categorical(cellstr(Origin));
tbl = table(Horsepower,Weight,MPG,Origin);

Соответствуйте модели линейной регрессии. Задайте Horsepower, Weight и Origin как переменные прогноза, и задайте MPG как переменную отклика.

modelspec = 'MPG ~ 1 + Horsepower + Weight + Origin';
mdl = fitlm(tbl,modelspec);

Просмотрите имена коэффициентов. 

mdl.CoefficientNames
ans = 1x9 cell array
  Columns 1 through 4

    {'(Intercept)'}    {'Horsepower'}    {'Weight'}    {'Origin_France'}

  Columns 5 through 7

    {'Origin_Germany'}    {'Origin_Italy'}    {'Origin_Japan'}

  Columns 8 through 9

    {'Origin_Sweden'}    {'Origin_USA'}

Найдите доверительные интервалы для коэффициентов модели. 

ci = coefCI(mdl)
ci = 9×2

   43.3611   59.9390
   -0.0748   -0.0315
   -0.0059   -0.0037
  -17.3623   -0.3477
  -15.7503    0.7434
  -17.2091    0.0613
  -14.5106    1.8738
  -18.5820   -1.5036
  -17.3114   -0.9642
Скрипт Open Live Script

Соответствуйте модели линейной регрессии и получите доверительные интервалы для получившихся коэффициентов модели с помощью заданного доверительного уровня.

Загрузите набор данных carbig и составьте таблицу, в которой предиктор Origin является категориальным.

load carbig
Origin = categorical(cellstr(Origin));
tbl = table(Horsepower,Weight,MPG,Origin);

Соответствуйте модели линейной регрессии. Задайте Horsepower, Weight и Origin как переменные прогноза, и задайте MPG как переменную отклика.

modelspec = 'MPG ~ 1 + Horsepower + Weight + Origin';
mdl = fitlm(tbl,modelspec);

Найдите 99% доверительных интервалов для коэффициентов. 

ci = coefCI(mdl,.01)
ci = 9×2

   40.7365   62.5635
   -0.0816   -0.0246
   -0.0062   -0.0034
  -20.0560    2.3459
  -18.3615    3.3546
  -19.9433    2.7955
  -17.1045    4.4676
  -21.2858    1.2002
  -19.8995    1.6238

Доверительные интервалы более широки, чем значение по умолчанию 95% доверительных интервалов в Доверительных интервалах Находки для Коэффициентов модели.

Входные параметры

свернуть все

Объект модели линейной регрессии, заданный как объект LinearModel, созданный при помощи fitlm или stepwiselm или объекта CompactLinearModel, создается при помощи compact.

Уровень значения для доверительного интервала, заданного как числовое значение в области значений [0,1]. Доверительный уровень ci равен 100 (1 – alpha) %. alpha является вероятностью, что доверительный интервал не содержит истинное значение.

Пример: 0.01

Типы данных: single | double

Выходные аргументы

свернуть все

Доверительные интервалы, возвращенные как k-by-2 числовая матрица, где k является количеством коэффициентов. j th строка ci является доверительным интервалом j th коэффициент mdl. Имя коэффициента j хранится в свойстве CoefficientNames mdl.

Типы данных: single | double

Больше о

свернуть все

Доверительный интервал

Содействующие доверительные интервалы обеспечивают меру точности для содействующих оценок линейной регрессии. 100 (1 – α) доверительный интервал % дает область значений, которую соответствующий коэффициент регрессии будет хорошо знать 100 (1 – α) уверенность %, означая, что 100 (1 – α) % интервалов, следующих из повторного экспериментирования, будет содержать истинное значение коэффициента.

100* (1 – α) доверительные интервалы % для коэффициентов линейной регрессии

bi±t(1−α/2,n−p)SE(bi),

где b, i является содействующей оценкой, SE (b i) является стандартной погрешностью содействующей оценки, и t (1–α/2, n –p) является 100 (1 – α/2) процентиль t - распределения с n – степени свободы p. n является количеством наблюдений, и p является количеством коэффициентов регрессии.

Смотрите также

| | | |

Темы

Представленный в R2012a

Документация Statistics and Machine Learning Toolbox
Поддержка