提高通过添加或移除术语广义线性回归模型
逐步回归是用于添加和基于在解释响应变量它们的统计显着性除去一个线性项或广义线性模型的系统方法。该方法开始于初始模型,使用指定的modelspec
,然后比较增量较大和较小的模型的解释能力。
该步
功能用途向前和向后逐步回归以确定最终型号。在每一步,对术语的功能的搜索到添加到模型或从基于所述值的模型去除'标准'
名称 - 值对的参数。
默认值'标准'
对于线性回归模型是“上证所”
。在这种情况下,stepwiselm
和步
的线性模型
使用p- 值的Ft-统计有和没有在每一步一个潜在的长期测试模型。如果一个字词目前还未在模型中,零假设是,如果添加到模型的任期将有一个零系数。如果有足够的证据拒绝零假设,功能增加了术语的模型。相反,如果一个术语是目前在该模型中,零假设是术语具有零系数。如果有足够的证据拒绝零假设,该函数从模型中的术语。
逐步回归采取这些步骤时'标准'
是“上证所”
:
适合初始模型。
检查一组可用的术语不是模型。如果任何条款有p- 值小于入口公差(也就是说,如果这是不可能的一个术语本来如果添加到模型中的零系数),与最小添加术语p- 值并重复此步骤;否则,转到步骤3。
如果模型中的任何可用的条款有p- 值比出口公差更大(即,零系数的假设不能被拒绝),取出术语具有最大p- 值和返回到步骤2;否则,结束处理。
在任何阶段,该功能不会增加高阶项,如果模型没有包括那些高阶项的子集所有低阶条款。例如,该功能不会尝试添加术语X1:X2 ^ 2
除非两个X1
和X2 ^ 2
已经在模型中。同样,该功能不会删除是高阶项子集保留在模型低阶条款。例如,该功能不会尝试删除X1
要么X2 ^ 2
如果X1:X2 ^ 2
仍然在模型中。
默认值'标准'
对于广义线性模型是“越轨”
。stepwiseglm
和步
的GeneralizedLinearModel
遵循用于添加或删除的术语类似的过程。
您可以通过使用指定的其他标准'标准'
名称 - 值对的参数。例如,您可以指定在赤池信息准则值的变化,贝叶斯信息准则,R平方,或经调整的R平方为准绳,以添加或删除条款。
根据包含在初始模型中的项,并在其中的作用增加的顺序及排除条款,该功能可能会从同一组潜在的术语建立不同的模型。当没有单个步骤提高了模型的功能终止。然而,不同的初始模型或步骤不同的顺序并不能保证更好的贴合。在这个意义上,逐步模型是局部最优的,但可能不是全局最优。
步
对待一个分类预测如下:
与具有一个分类预测模型大号水平(类别)包括大号- 1指标变量。该模型使用第一类作为参考电平,所以它不包括用于参考电平指示变量。如果分类预测的数据类型明确的
,那么你可以通过检查类别的顺序类别
和重新排序的类别,通过使用reordercats
自定义参考电平。
步
治疗组大号- 1指示器变量作为单一变量。如果你想治疗的指标变量作为不同的预测变量,通过使用手动创建指标变量dummyvar
。然后使用指针变量,除了对应于所述分类变量的参考电平之一,当你适合的模型。对于分类预测X
如果您指定的所有列dummyvar(X)
和截距项作为预测,则设计矩阵变成秩亏。
连续预测和分类预测与之间的相互作用方面大号水平由的元素之积的大号- 1指标变量与连续预测。
有两个分类预测变量之间的相互作用方面大号和中号水平由的(大号- 1)*(中号- 1)指标变量,包括两个分类预测级别的所有可能的组合。
你不能为分类预测指定高阶项,因为指标的平方等于本身。
因此,如果步
添加或移除一个分类预测,该功能实际上添加或删除的组指示符变量的一个步骤。同样,如果步
添加或移除与分类预测的相互作用项,功能实际上添加或删除的组相互作用项包括分类预测。
步
考虑为NaN
,“”
(空字符向量),“”
(空字符串),<缺失>
和<未定义>
价值观TBL
,X
和ÿ
是缺失值。步
不与配合缺失值使用的意见。该ObservationInfo
一个拟合模型的属性指示是否步
使用在配合每个观测。
采用stepwiseglm
在起始模型中指定的条款和继续改进模型直到添加或删除一个术语的任何单一的步骤是有益的。
采用addTerms
要么removeTerms
添加或删除特定的条款。