Создайте добавленный переменный график с помощью входных данных
addedvarplot(X,y,num,inmodel)
addedvarplot(X,y,num,inmodel,stats)
addedvarplot(X,y,num,inmodel)
отображает добавленный переменный график, использующий прогнозирующие термины в X
, значения ответа в y
, добавленный термин в столбце num
из X
, и модель с текущими условиями, заданными inmodel
X
n-by-p матрица наблюдений n за p прогнозирующие условия. y
вектор значений ответа n. num
скалярный индекс, задающий столбец X
с термином, который будет добавлен. inmodel
логический вектор элементов p, задающих столбцы X
в текущей модели. По умолчанию, все элементы inmodel
false
.
addedvarplot
автоматически включает постоянный термин во всех моделях. Не вводите столбец 1 с непосредственно в X
.
addedvarplot(X,y,num,inmodel,stats)
использует stats
выведите от stepwisefit
функция, чтобы повысить эффективность повторных вызовов addedvarplot
. В противном случае этот синтаксис эквивалентен предыдущему синтаксису.
Добавленные переменные графики используются, чтобы определить уникальный эффект добавления нового термина к полилинейной модели. График показывает отношение между частью ответа, необъясненного по условиям уже в модели и частью нового термина, необъясненного по условиям уже в модели. “Необъясненные” части измеряются остаточными значениями соответствующих регрессий. Рассеяние остаточных значений этих двух регрессий формирует добавленный переменный график. В дополнение к рассеянию остаточных значений график производится addedvarplot
показывает 95% доверительных интервалов на прогнозах от подходящей линии. Наклон подходящей линии является коэффициентом, который имел бы новый термин, если бы это было добавлено к модели с условиями inmodel
. Для получения дополнительной информации см. Добавленный Переменный График.
Добавленные переменные графики иногда известны как частичные графики рычагов регрессии.
Можно создать объект модели линейной регрессии LinearModel
при помощи fitlm
или stepwiselm
и используйте объектный функциональный plotAdded
создать добавленный переменный график.
LinearModel
объект обеспечивает свойства объектов и объектные функции, чтобы исследовать подбиравшую модель линейной регрессии. Свойства объектов включают информацию о содействующих оценках, итоговой статистике, подходящем методе и входных данных. Используйте объектные функции, чтобы предсказать ответы и изменить, оценить, и визуализировать модель линейной регрессии.