表输入的术语矩阵

如果模型变量位于表中，则一列0用项矩阵表示响应变量的位置。

加载医院数据集。

加载医院

将变量存储在表中。

T =表（hospital.Sex，hospital.BloodPressure（：，1），hospital.Age，hospital.Smoker，......'variablenames', {“性”，“血压”，'年龄'，“抽烟”}）;

代表线性模型'血压〜1 +性别+年龄+吸烟者'使用术语矩阵。响应变量在表的第二列，所以terms矩阵的第二列必须是0s为响应变量。

T = [0 0 0 0;1 0 0 0;0 0 0 0]

T =4×40 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1

拟合线性模型。

mdl1 = fitlm（T，T）

mdl1 =线性回归模型:血压~ 1 +性别+年龄+吸烟者估计系数:估计SE tStat pValue ________ ________ ________ __________ (Intercept) 116.14 2.6107 44.485 7.1287e-66 Sex_Male 0.050106 0.98364 0.050939 0.95948 Age 0.085276 0.066945 1.2738 0.2058 Smoker_1 9.87 1.0346 9.5395 1.4516e-15100，误差自由度:96均方根误差:4.78 r平方:0.507，调整r平方:0.492 F-statistic vs. constant model: 33, p-value = 9.91e-15

矩阵输入的术语矩阵

如果预测器和响应变量在矩阵和列向量中，则必须包括0为项矩阵中每一行末尾的响应变量。

加载carsmall数据集，并定义预测器的矩阵。

加载carsmallx = [加速，重量];

指定模型'MPG〜加速+重量+加速度：重量+重量^ 2'使用术语矩阵。该模型包含了变量的主效应和双向交互项加速度和重量，和变量的二阶项重量．

T = [0 0 0;1 0 0;0 1 0 0]

T =5×30 0 0 1 0 0 1 1 0 1 1 0 0 2 0

拟合线性模型。

MDL2 = fitlm（X，MPG，T）

MDL2 =线性回归模型为：y〜1 + X1 * X2 + X2 ^ 2个估计系数：估计SE TSTAT p值___________ __________ _______ __________（截距）48.906 12.589 3.8847 0.00019665 X1 0.54418 0.57125 0.95261 0.34337 X2 -0.012781 0.0060312 -2.1192 0.036857 X1：X2-0.00010892 0.00017925 -0.6076 0.545×2 ^ 2 9.7518e-07 7.5389e-07 1.2935 0.19917若干意见：94，错误自由度：89均方根误差：4.1 R平方：0.751，调整R平方：0.739˚Ft-统计与常数模型：67，p-值= 4.99e-26

只有拦截和x2术语，其对应于重量变量，在5%显著水平下显著。

分类预测器模型

加载carsmall数据集并建立线性回归模型英里/加仑作为一个功能model_year.．治疗数字矢量model_year.作为分类变量，识别使用所述预测'pationalvars'名称-值对的论点。

加载carsmallmdl = fitlm (Model_Year MPG,'pationalvars', 1'VarNames', {'model_year'，“英里”}）

mdl =线性回归模型:MPG ~ 1 + Model_Year Estimated Coefficients: Estimate SE tStat pValue ________ ______ ______ __________ (Intercept) 17.69 1.0328 17.127 3.2371e-30 Model_Year_76 3.8839 1.4059 2.7625 0.0069402 Model_Year_82 14.02 1.4369 9.7571 8.2164e-16观测数:94，误差自由度:91均方根误差:5.56 R-squared: 0.531, Adjusted R-squared: 0.521 F-statistic vs. constant model: 51.6, p-value = 1.07e-15

显示的模型公式，MPG〜1 + Model_Year，对应于

$\mathrm{英里/加仑}＝{\beta }_0+{\beta }_1{\iota }_{\mathrm{年}＝76}+{\beta }_2{\iota }_{\mathrm{年}＝82}+\mathrm{\epsilon .}$，

在哪里 ${\iota }_{\mathrm{年}＝76}$和 ${\iota }_{\mathrm{年}＝82}$是指示变量，其值是如果一个的值model_year.是分别为76和82。的model_year.变量包含三个不同的值，可以使用独特的函数。

唯一的（Model_Year）

ans =3×170 76 82

fitlm选择在最小值model_year.作为参考电平（“70”)，并创建两个指示器变量 ${\iota }_{\mathrm{年}＝76}$和 ${\iota }_{\mathrm{年}＝82}$．该模型只包含两个指标变量，因为如果模型包含三个指标变量(每个水平一个)和一个截距项，设计矩阵就会变得秩不足。

与全指标变量模型

你可以解释的模型公式mdl作为一个模型，它有三个指标变量，没有截距项:

$\mathit{y}＝{\beta }_0{\iota }_{{\mathit{x}}_1＝70}+（{\beta }_0+{\beta }_1）{\iota }_{{\mathit{x}}_1＝76}+（{{\beta }_0+\beta }_2）{\iota }_{{\mathit{x}}_2＝82}+\mathrm{\epsilon .}$．

可替换地，可以创建具有三个指示器变量，而无需通过手动创建指示变量并指定模型式的截距项的模型。

temp_Year = dummyvar(分类(Model_Year));Model_Year_70 = temp_Year (: 1);Model_Year_76 = temp_Year (:, 2);Model_Year_82 = temp_Year (: 3);台=表(Model_Year_70 Model_Year_76、Model_Year_82 MPG);mdl = fitlm(资源描述,'MPG ~ Model_Year_70 + Model_Year_76 + Model_Year_82 - 1'）

mdl =线性回归模型:MPG ~ Model_Year_70 + Model_Year_76 + Model_Year_82 Estimated Coefficients: Estimate SE tStat pValue ________ _______ ______ __________ Model_Year_70 17.69 1.0328 17.127 3.2371e-30 Model_Year_76 21.574 0.95387 22.617 4.0156e-39 Model_Year_82 31.71 0.99896 31.743 5.2234e-51观测值:94、误差自由度:91均方根误差:5.56

选择在模型参考电平

您可以通过修改类别变量中的类别顺序来选择引用级别。首先，创建一个分类变量年．

年份=分类（Model_Year）;

通过使用使用的类别的顺序类别函数。

类别（年）

ans =3X1细胞{'70'} {'76'} {'82'}

如果你使用年作为一个预测变量fitlm选择第一类“70”作为参考电平。重新订购年通过使用reordercats函数。

Year_reordered = reordercats(一年,{“76”，“70”，“82”}）;类别(Year_reordered)

ans =3X1细胞””{76}{70}{82 '}

第一类Year_reordered是“76”．创建的线性回归模型英里/加仑作为一个功能Year_reordered．

mdl2 = fitlm (Year_reordered MPG,'VarNames', {'model_year'，“英里”}）

mdl2 =线性回归模型:MPG ~ 1 + Model_Year Estimated Coefficients: Estimate SE tStat pValue ________ _______ _______ __________ (Intercept) 21.574 0.95387 22.617 4.0156e-39 Model_Year_70 -3.8839 1.4059 -2.7625 0.0069402 Model_Year_82 10.136 1.3812 7.3385 8.7634e-11观测数:94，误差自由度:F-statistic vs. constant model: 51.6, p-value = 1.07e-15

mdl2用途“76”作为参考电平，并且包括两个指标变量 ${\iota }_{\mathrm{年}＝70}$和 ${\iota }_{\mathrm{年}＝82}$．

评估分类预测

的模型展示mdl2包括p- 每个术语的值以测试相应的系数是否等于零。每个p- 值检查每个指示器变量。为了检验分类变量model_year.为一组指示变量的，使用方差分析．使用“组件”（默认）选项要返回组件ANOVA表，该表包含模型中的每个变量的ANOVA统计信息，但常量项除外。

方差分析(mdl2“组件”）

ans =2×5表SUMSQ DF MeanSq˚Fp值______ __ ______ _____ __________ Model_Year 3190.1 2 1595.1 51.56 1.0694e-15错误2815.2 91 30.936

成分方差分析表包括p价值的model_year.变量，它小于p-指标变量的值。