Обобщенная линейная регрессия модели
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
из коэффициента оценивает для обобщенной линейной регрессии ответов в y
на предикторах в X
, использование распределения distr
X
n-by-p матрица p предикторов при каждом из n наблюдений. distr
может быть любое следующее: 'binomial'
\Gamma
, 'inverse gaussian'
, 'normal'
(значение по умолчанию), и 'poisson'
.
В большинстве случаев, y
n-1 вектор наблюдаемых ответов. Для биномиального распределения, y
может быть бинарный вектор, указывающий 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
, соответствие постоянному члену в модели. Не вводите столбец 1 с непосредственно в X
. Можно изменить поведение по умолчанию glmfit
использование 'constant'
параметр, ниже.
glmfit
обработки NaN
s в любом X
или y
как отсутствующие значения, и игнорирует их.
b = glmfit(X,y,
дополнительно позволяет вам задавать дополнительное название параметра / пары значения, чтобы управлять подгонкой модели. 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' |
| |
'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' |
|
|
| |
'offset' | Вектор |
|
'weights' | Вектор предшествующих весов, таких как инверсии относительного отклонения каждого наблюдения | |
'constant' |
|
|
'off' |
|
[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
структура 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 'estdisp'
значением аргумента пары "имя-значение" является 'off'
и 1, когда 'estdisp'
значением аргумента пары "имя-значение" 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 остаточных значений
residp
— Вектор остаточных значений Пирсона
residd
— Вектор остаточных значений отклонения
resida
— Вектор остаточных значений Anscombe
Если вы оцениваете дисперсионный параметр для бинома или распределения Пуассона, то stats.s
установлен равный stats.sfit
. Кроме того, элементы stats.se
отличайтесь факторным stats.s
от их 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