Exponenta Banner
exponenta event banner

coefCI

Доверительные интервалы оценок коэффициентов модели линейной регрессии

свернуть все на странице

Синтаксис

ci = coefCI (mdl)
ci = coefCI (mdl, альфа)

Описание

пример

ci = coefCI(mdl) возвращает 95% доверительные интервалы для коэффициентов в mdl.

пример

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

Примеры

свернуть все

Открыть сценарий в реальном времени

Подгоните модель линейной регрессии и получите по умолчанию 95% доверительные интервалы для результирующих коэффициентов модели.

Загрузить carbig набор данных и создание таблицы, в которой Origin предиктор категоричен.

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

Подгонка модели линейной регрессии. Определить Horsepower, Weight, и Origin в качестве переменных предиктора и указать MPG в качестве переменной ответа.

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

Просмотрите имена коэффициентов. 

mdl.CoefficientNames
ans = 1x9 cell
  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
Открыть сценарий в реальном времени

Подгонка модели линейной регрессии и получение доверительных интервалов для результирующих коэффициентов модели с использованием заданного доверительного уровня.

Загрузить carbig набор данных и создание таблицы, в которой Origin предиктор категоричен.

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

Подгонка модели линейной регрессии. Определить Horsepower, Weight, и Origin в качестве переменных предиктора и указать MPG в качестве переменной ответа.

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

Найдите 99% доверительные интервалы 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 шире, чем 95% доверительные интервалы по умолчанию в поле Найти доверительные интервалы для коэффициентов модели.

Входные аргументы

свернуть все

Объект модели линейной регрессии, указанный как LinearModel объект, созданный с помощью fitlm или stepwiselm, или CompactLinearModel объект, созданный с помощью compact.

Уровень значимости для доверительного интервала, заданного как числовое значение в диапазоне [0,1]. Уровень достоверности ci равно 100 ( 1  -alpha)%. alpha - вероятность того, что доверительный интервал не содержит истинного значения.

Пример: 0.01

Типы данных: single | double

Выходные аргументы

свернуть все

Доверительные интервалы, возвращаемые как k-на-2 числовая матрица, где k - количество коэффициентов. J-й ряд ci - доверительный интервал j-го коэффициента mdl. Имя коэффициента j хранится в CoefficientNames имущество mdl.

Типы данных: single | double

Подробнее

свернуть все

Доверительный интервал

Доверительные интервалы коэффициентов обеспечивают меру точности для оценок коэффициентов регрессии.

Доверительный  интервал 100 (1-α)% дает диапазон, в котором соответствующий коэффициент регрессии будет со 100 (1-α )% уверенностью, что означает, что 100 ( 1-α)% интервалов, полученных в результате повторных экспериментов, будут содержать истинное значение коэффициента.

Программа находит доверительные интервалы с помощью метода Вальда. Доверительные  интервалы 100 * (1-α)% для коэффициентов регрессии равны

bi ± t (1 − α/2, n − p) SE (bi),

где bi - оценка коэффициента, SE (bi) - стандартная ошибка оценки коэффициента, а t (1-α/2, n-p) - 100 (1-α/2) процентиль t-распределения с  n-p степенями свободы. n - число наблюдений, а p - число коэффициентов регрессии.

Расширенные возможности

См. также

| | | |

Темы

Представлен в R2012a

Документация по инструментам для статистического и машинного обучения

Поддержка