让南当计算partialcorr(没有NaN数据)

19 visualizaciones(上月的30二叠纪)

Mostrar comentarios mas性逗留

chisca el 24 de Mayo 2016

1
Enlazar

围绕导演一门pregunta

https://es.mathworks.com/matlabcentral/answers/285584-getting-nan-when-computing-partialcorr-no-nans-in-data

Editada: dpb el 10 2022年10月德德

嗨,我是在一系列数据和有时使用partialcorr nan。这是为什么呢?我确信我没有nan数据没有丢失或空条目。有时使用partialcorr ([x y],“行”,“完成”)帮助机器人它并不总是解决问题。谢谢你的帮助。

4 comentarios
Mostrar 3 comentarios mas性逗留Ocultar 3 comentarios mas性逗留

dpb el 10 2022年10月德德

Editada:dpb el 10 2022年10月德德

                                tF = readtable (websave (“Test_data.txt”,“//www.tatmou.com/matlabcentral/answers/uploaded_files/125764/Test_data.txt”));
                               
                                partialcorr ([tF.flower_date, tF.cum_temp], [tF.Var1 tF.Var2])
                               
                                   ans =
                                   2×2
                                  
                                    1南南南

                                fitlm (tF,“predictorVars”,{“cum_temp”,“Var1”,“Var2”},“ResponseVar”,“flower_date”,“拦截”,真正的)
                               
                                   警告:回归设计矩阵是在机器精度等级不足。

                                   ans =
                                  
                                   线性回归模型:flower_date ~ 1 + Var1 + Var2 + cum_temp估计系数:估计
                                   SE
                                   tStat
                                   pValue
                                   ________
                                   _____
                                   _________
                                   __________
                                   (拦截)0 0南南Var117.841 0.25253 70.647 1.8066 e-59Var2-0.42291 0.016155 -26.178 1.5975 e-34cum_temp0.36047 0.0049775 72.419 4.1539 e-60数量的观察:64年,错误自由度:61根均方误差:3.28平方:0.845,调整平方:0.84 f统计量与常数模型:167年,假定值= 1.9 e-25

所以 partialcorr 不是欺骗我们;让我们看看发生了什么独立变量之间的自己……

                                corrcoef ([tF.cum_temp、tF.Var1 tF.Var2])
                               
                                   ans =
                                   3×3
                                  
                                    1.0000 -0.9174 -0.4560 -0.9174 1.0000 0.7726 -0.4560 0.7726 1.0000

好吧,虽然这些逐字逐句都是1 cum_temp 非常高度相关 Var1 和 Var1, Var2 彼此是非常高的,他们不是直接相关的。所以,结论是, cum_temp 是一个线性组合的其他两个…下,让我们检查一下

                                fitlm (tF,“predictorVars”,{“Var1”,“Var2”},“ResponseVar”,“cum_temp”,“拦截”,真正的)
                               

                                   ans =
                                  

                                   线性回归模型:cum_temp ~ 1 + Var1 + Var2估计系数:估计
                                   SE
                                   tStat
                                   pValue
                                   ________
                                   __
                                   _____
                                   ______
                                   (拦截)427年正0Var1-61 0负0Var21 0正0数量的观察:64年,错误自由度:61平方:1,调整平方:1 f统计量与常数模型:8.54 e + 29日假定值= 0