Подходящая модель линейной регрессии использование ступенчатой регрессии
b = stepwisefit(X,y)b из коэффициента оценивает от ступенчатой регрессии вектора отклика y на переменных предикторах в матричном X. stepwisefit начинается с первоначальной постоянной модели и делает прямые или обратные шаги, чтобы добавить или удалить переменные, пока останавливающемуся критерию не удовлетворяют.
b = stepwisefit(X,y,Name,Value)stepwisefit может взять.
[ также возвращает спецификацию переменных в итоговой модели b,se,pval,finalmodel,stats] = stepwisefit(___)finalmodel регрессии, и статистика stats об итоговой модели.
Stepwise regression является методом для добавления условий к и удаления условий от полилинейного основанного на модели на их статистическом значении. Этот метод начинается с первоначальной модели и затем делает последовательные шаги, чтобы изменить модель путем добавления или удаления условий. На каждом шаге p - значении F - статистическая величина вычисляется к тестовым моделям с и без потенциального термина. Если бы термин не находится в настоящее время в модели, нулевая гипотеза - то, что термин имел бы нулевой коэффициент, если добавлено к модели. Если существуют достаточные доказательства, чтобы отклонить нулевую гипотезу, термин добавляется к модели. С другой стороны, если термин находится в настоящее время в модели, нулевая гипотеза - то, что термин имеет нулевой коэффициент. Если существуют недостаточные доказательства, чтобы отклонить нулевую гипотезу, термин удален из модели. Метод продолжает можно следующим образом:
Подбирайте первоначальную модель.
Если какие-либо условия не в модели имеют p - значения меньше, чем допуск записи, добавьте тот с самым маленьким p - значение и повторите этот шаг. Например, примите, что первоначальная модель является постоянной моделью по умолчанию, и допуском записи является 0.05 по умолчанию. Алгоритм сначала подбирает все модели, состоящие из константы плюс другой термин, и идентифицирует термин, который имеет самый маленький p - значение, например, назовите 4. Если термин 4
p- меньше 0.05, затем назовите 4 добавляется к модели. Затем алгоритм выполняет поиск среди всех моделей, состоящих из постоянного, термина 4, и другой термин. Если термин не в модели имеет p - значение меньше, чем 0.05, термин с самым маленьким p - значение добавляется к модели, и процесс повторяется. Когда никакие дальнейшие условия не существуют, который может быть добавлен к модели, алгоритм переходит к шагу 3.
Если какие-либо члены в модели имеют p - значения, больше, чем выходной допуск, удаляют тот с самым большим p - значение и переходят к шагу 2; в противном случае, конец.
На каждом шаге алгоритма, stepwisefit использует метод наименьших квадратов, чтобы оценить коэффициенты модели. После добавления термина к модели в более ранней стадии алгоритм может впоследствии пропустить тот термин, если это более не полезно в сочетании с другими условиями, добавленными позже. Метод завершает работу, когда никакой один шаг не улучшает модель. Однако итоговая модель, как гарантируют, не будет оптимальна, что означает иметь лучшую подгонку к данным. Различная первоначальная модель или различная последовательность шагов могут привести к лучшей подгонке. В этом смысле пошаговые модели локально оптимальны, но не обязательно глобально оптимальны.
Можно создать модель с помощью fitlm, и затем вручную настройте модель с помощью step, addTerms, и removeTerms.
Используйте stepwiselm если у вас есть данные в таблице, у вас есть соединение непрерывных и категориальных предикторов, или вы хотите задать формулы модели, которые могут потенциально включать и периоды взаимодействия высшего порядка.
Используйте stepwiseglm создать пошаговые обобщенные линейные модели (например, если вы имеете бинарную переменную отклика и хотите подбирать модель классификации).
[1] Драпировщик, Норман Р., и Гарри Смит. Прикладной Регрессионный анализ. Хобокен, NJ: Wiley-межнаука, 1998. стр 307–312.
addedvarplot | regress | stepwise | stepwiseglm | stepwiselm