Предполагаемые содействующие отклонения и ковариации получают точность оценок коэффициента регрессии. Содействующие отклонения и их квадратный корень, стандартные погрешности, полезны в тестировании гипотез для коэффициентов.
Предполагаемая ковариационная матрица
где MSE является среднеквадратической ошибкой, и X является матрицей наблюдений относительно переменных предикторов. CoefficientCovariance
, свойство подобранной модели, p-by-p ковариационная матрица оценок коэффициента регрессии. p является количеством коэффициентов в модели регрессии. Диагональные элементы являются отклонениями отдельных коэффициентов.
После получения подобранной модели, скажем, mdl
, использование fitlm
или stepwiselm
, можно отобразить содействующее использование ковариаций
mdl.CoefficientCovariance
В этом примере показано, как вычислить ковариационную матрицу и стандартные погрешности коэффициентов.
Загрузите выборочные данные и задайте переменные прогноза и переменные отклика.
load hospital
y = hospital.BloodPressure(:,1);
X = double(hospital(:,2:5));
Подбирайте модель линейной регрессии.
mdl = fitlm(X,y);
Отобразите содействующую ковариационную матрицу.
CM = mdl.CoefficientCovariance
CM = 5×5
27.5113 11.0027 -0.1542 -0.2444 0.2702
11.0027 8.6864 0.0021 -0.1547 -0.0838
-0.1542 0.0021 0.0045 -0.0001 -0.0029
-0.2444 -0.1547 -0.0001 0.0031 -0.0026
0.2702 -0.0838 -0.0029 -0.0026 1.0829
Вычислите содействующие стандартные погрешности.
SE = diag(sqrt(CM))
SE = 5×1
5.2451
2.9473
0.0673
0.0557
1.0406
Содействующие доверительные интервалы обеспечивают меру точности для содействующих оценок линейной регрессии. 100 (1–α) доверительных интервалов % дают область значений, что соответствующий коэффициент регрессии будет хорошо знать 100 (1–α) уверенности %.
100* (1 – α) доверительные интервалы % для коэффициентов регрессии
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.
После получения подобранной модели, скажем, mdl
, использование fitlm
или stepwiselm
, можно получить значение по умолчанию 95% доверительных интервалов для содействующего использования
coefCI(mdl)
Можно также изменить использование доверительного уровня
coefCI(mdl,alpha)
Для получения дополнительной информации смотрите coefCI
функция LinearModel
объект.
В этом примере показано, как вычислить содействующие доверительные интервалы.
Загрузите выборочные данные и подбирайте модель линейной регрессии.
load hald
mdl = fitlm(ingredients,heat);
Отобразите 95% содействующих доверительных интервалов.
coefCI(mdl)
ans = 5×2
-99.1786 223.9893
-0.1663 3.2685
-1.1589 2.1792
-1.6385 1.8423
-1.7791 1.4910
Значения в каждой строке являются более низкими и верхними пределами достоверности, соответственно, для значения по умолчанию 95% доверительных интервалов для коэффициентов. Например, первая строка показывает нижние и верхние пределы,-99.1786 и 223.9893, для прерывания, . Аналогично, вторая строка показывает пределы для и так далее.
Отобразите 90% доверительных интервалов для коэффициентов ( = 0.1).
coefCI(mdl,0.1)
ans = 5×2
-67.8949 192.7057
0.1662 2.9360
-0.8358 1.8561
-1.3015 1.5053
-1.4626 1.1745
Пределы доверительного интервала становятся более узкими, когда доверительный уровень уменьшается.
LinearModel
| anova
| coefCI
| coefTest
| fitlm
| plotDiagnostics
| stepwiselm