Предполагаемые отклонения коэффициентов и ковариации фиксируют точность оценок коэффициентов регрессии. Отклонения коэффициентов и их квадратный корень, стандартные ошибки, полезны при проверке гипотез на коэффициенты.
Предполагаемая ковариационная матрица
где MSE - средняя квадратичная невязка, а X - матрица наблюдений за переменными. CoefficientCovariance
, свойство подобранной модели, является p -by p ковариационной матрицей оценок коэффициентов регрессии. p - количество коэффициентов в регрессионной модели. Диагональные элементы являются отклонениями отдельных коэффициентов.
После получения подобранной модели, скажем mdl
, использование fitlm
или stepwiselm
, можно отобразить ковариации коэффициентов, используя
mdl.CoefficientCovariance
Этот пример показывает, как вычислить ковариационную матрицу и стандартные ошибки коэффициентов.
Загрузите выборочные данные и задайте переменные предиктора и отклика.
load hospital
y = hospital.BloodPressure(:,1);
X = double(hospital(:,2:5));
Подбор линейной регрессионой модели.
mdl = fitlm(X,y);
Отобразите ковариационную матрицу коэффициента.
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 стандартные ошибки коэффициента.
SE = diag(sqrt(CM))
SE = 5×1
5.2451
2.9473
0.0673
0.0557
1.0406
Доверительные интервалы коэффициента обеспечивают меру точности для оценок линейного коэффициента регрессии. 100 (1-α)% доверительный интервал даёт область значений, в котором соответствующий коэффициент регрессии будет с 100 (1-α)% доверительным.
Программа находит доверительные интервалы с помощью метода Уолда. 100 * (1 - α)% доверительных интервалов для коэффициентов регрессии
где b i - оценка коэффициента, SE (b i) - стандартная ошибка оценки коэффициента, а t (1-α/2, n - p) - 100 (1 - α/2) процентиль t - распределение с n - p степенями свободы. n - количество наблюдений, а p - количество коэффициентов регрессии.
После получения подобранной модели, скажем mdl
, использование fitlm
или stepwiselm
, можно получить интервалы 95% доверия по умолчанию для коэффициентов с помощью
coefCI(mdl)
Вы также можете изменить уровень доверия, используя
coefCI(mdl,alpha)
Для получения дополнительной информации смотрите coefCI
функция LinearModel
объект.
Этот пример показов, как вычислить интервалы доверия коэффициентов.
Загрузите выборочные данные и подбирайте линейную регрессионую модель.
load hald
mdl = fitlm(ingredients,heat);
Отображение доверительных интервалов коэффициента 95%.
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 нижним и верхним пределами доверия, соответственно, для интервалов по умолчанию 95% доверия для коэффициентов. Например, в первой строке показаны нижний и верхний пределы -99.1786 и 223.9893 для точки пересечения, . Аналогично, вторая строка показывает пределы для и так далее.
Отобразите 90% доверительные интервалы 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 доверительных интервалов становятся более узкими, когда уровень доверия уменьшается.
anova
| coefCI
| coefTest
| fitlm
| LinearModel
| plotDiagnostics
| stepwiselm