线性假设检验
p = linhyptest(β,COVB, c, H, dfe)
[p t r] = linhyptest(…)
p = linhyptest(β,COVB, c, H, dfe)
返回p价值p
对一个参数向量的假设检验。β
是向量k参数估计。COVB
是k——- - - - - -k估计协方差矩阵的参数估计。c
和H
在表单中指定空假设H * b = c
,在那里b
未知参数的向量是由β
.教育部
自由度是多少COVB
估计,或正
如果COVB
是已知的而不是估计的。
β
是必需的。其余参数有默认值:
COVB =眼睛(k)
c = 0 (k, 1)
H =眼睛(K)
教育部=正
如果H
省略了,c
必须有k元素,并为整个参数向量指定空假设值。
请注意
下面的函数返回适合作为COVB
输入参数linhyptest
:nlinfit
,coxphfit
,glmfit
,mnrfit
,regstats
,robustfit
.nlinfit
返回COVB
直接;其他函数返回COVB
在stats.covb
.
[p t r] = linhyptest(…)
也返回测试统计信息t
和排名r
假设矩阵的H
.如果教育部
是正
或者没有给出,t * r
卡方统计量是多少r
自由度。如果教育部
为一个有限值,t
是一个F统计与r
和教育部
的自由度。
linhyptest
对参数估计执行基于渐近正态分布的检验。它可以在任何参数协方差可用的估计过程之后使用,例如regstats
或glmfit
.对于线性回归,p价值观是恰当的。对于其他的程序,p-值是近似的,可能比其他程序(如基于似然比的程序)更不准确。
对数据拟合一个多元线性模型hald.mat
:
Load hald stats = regstats(热量,成分,'线性');β=统计数据。ββ= 62.4054 1.5511 0.5102 0.1019 -0.1441
执行一个F-测试最后两个系数都是0:
σ= stats.covb;教育部= stats.fstat.dfe;H = [0 0 0 1 0;0 0 0 0 1];c = (0, 0);[p,F] = linhyptest(beta,SIGMA,c,H,dfe) p = 0.4668 F = 0.8391