GeneralizedLinearModelgydF4y2Ba

广义线性回归模型类gydF4y2Ba

描述gydF4y2Ba

GeneralizedLinearModelgydF4y2Ba是一个拟合广义线性回归模型。广义线性回归模型是一种特殊的一类非线性模型描述非线性响应和预测之间的关系。一个广义线性回归模型广义线性回归模型的特征。响应变量遵循正常,二项式分布、泊松分布、伽马、或逆高斯分布参数包括平均响应gydF4y2BaμgydF4y2Ba。一个链接功能gydF4y2BafgydF4y2Ba定义之间的关系gydF4y2BaμgydF4y2Ba和预测的线性组合。gydF4y2Ba

使用的属性gydF4y2BaGeneralizedLinearModelgydF4y2Ba对象调查拟合广义线性回归模型。对象属性包括系数估计信息,汇总统计,拟合方法,输入数据。使用对象函数预测反应和修改、评估、和可视化模型。gydF4y2Ba

创建gydF4y2Ba

创建一个gydF4y2BaGeneralizedLinearModelgydF4y2Ba对象的使用gydF4y2BafitglmgydF4y2Ba或gydF4y2BastepwiseglmgydF4y2Ba。gydF4y2Ba

fitglmgydF4y2Ba符合广义线性回归模型的数据使用一个固定的模型规范。使用gydF4y2BaaddTermsgydF4y2Ba,gydF4y2BaremoveTermsgydF4y2Ba,或gydF4y2Ba一步gydF4y2Ba从模型中添加或删除条款。另外,使用gydF4y2BastepwiseglmgydF4y2Ba适合使用阶梯式广义线性回归模型。gydF4y2Ba

属性gydF4y2Ba

全部展开gydF4y2Ba

系数估计gydF4y2Ba

`CoefficientCovariancegydF4y2Ba`- - - - - -gydF4y2Ba协方差矩阵的系数估计gydF4y2Ba
数字矩阵gydF4y2Ba

这个属性是只读的。gydF4y2Ba

协方差矩阵的系数估计,指定为一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba矩阵的数值。gydF4y2BapgydF4y2Ba拟合模型中系数的数量,由吗gydF4y2BaNumCoefficientsgydF4y2Ba。gydF4y2Ba

有关详细信息,请参见gydF4y2Ba系数标准误差和置信区间gydF4y2Ba。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`CoefficientNamesgydF4y2Ba`- - - - - -gydF4y2Ba系数的名字gydF4y2Ba
单元阵列的特征向量gydF4y2Ba

这个属性是只读的。gydF4y2Ba

系数名称指定为一个单元阵列的特征向量,每个包含的名称对应的词。gydF4y2Ba

数据类型:gydF4y2Ba细胞gydF4y2Ba

`系数gydF4y2Ba`- - - - - -gydF4y2Ba系数值gydF4y2Ba
表gydF4y2Ba

这个属性是只读的。gydF4y2Ba

系数值,指定为一个表。gydF4y2Ba系数gydF4y2Ba为每个系数和这些列包含一行:gydF4y2Ba

估计gydF4y2Ba——估计系数值gydF4y2Ba
SEgydF4y2Ba-标准误差的估计gydF4y2Ba
tStatgydF4y2Ba- - - - - -gydF4y2BatgydF4y2Ba统计一个双边测试系数为零的零假设gydF4y2Ba
pValuegydF4y2Ba- - - - - -gydF4y2BapgydF4y2Ba价值的gydF4y2BatgydF4y2Ba统计gydF4y2Ba

使用gydF4y2BacoefTestgydF4y2Ba对系数进行线性假设测试。使用gydF4y2BacoefCIgydF4y2Ba找到系数估计的置信区间。gydF4y2Ba

获得这些列向量,索引属性使用点符号。例如,获得的估计系数向量模型gydF4y2BamdlgydF4y2Ba:gydF4y2Ba

β= mdl.Coefficients.EstimategydF4y2Ba

数据类型:gydF4y2Ba表gydF4y2Ba

`NumCoefficientsgydF4y2Ba`- - - - - -gydF4y2Ba模型系数的数量gydF4y2Ba
正整数gydF4y2Ba

这个属性是只读的。gydF4y2Ba

数量的模型系数,指定为一个正整数。gydF4y2BaNumCoefficientsgydF4y2Ba包括系数设置为0,当模型方面的不足。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`NumEstimatedCoefficientsgydF4y2Ba`- - - - - -gydF4y2Ba数量的估计系数gydF4y2Ba
正整数gydF4y2Ba

这个属性是只读的。gydF4y2Ba

数量的估计系数模型,指定为一个正整数。gydF4y2BaNumEstimatedCoefficientsgydF4y2Ba不包括系数设置为0,当模型方面的不足。gydF4y2BaNumEstimatedCoefficientsgydF4y2Ba是回归的自由度。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

摘要统计信息gydF4y2Ba

`异常gydF4y2Ba`- - - - - -gydF4y2Ba异常的配合gydF4y2Ba
数值gydF4y2Ba

这个属性是只读的。gydF4y2Ba

异常的,指定为一个数值。比较两个模型的异常是有用的,当一个模型是其他模型的一个特例。异常的两种模型的区别与自由度等于卡方分布的差异两个模型之间的估计参数的数量。有关更多信息,请参见gydF4y2Ba异常gydF4y2Ba。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`教育部gydF4y2Ba`- - - - - -gydF4y2Ba自由度为错误gydF4y2Ba
正整数gydF4y2Ba

这个属性是只读的。gydF4y2Ba

自由度的误差(残差),等于观测的数量减去估计系数的数量,指定为一个正整数。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`诊断gydF4y2Ba`- - - - - -gydF4y2Ba观察诊断gydF4y2Ba
表gydF4y2Ba

这个属性是只读的。gydF4y2Ba

观察诊断,指定为一个表,其中包含为每个观察一行和列在这个表中描述。gydF4y2Ba

列gydF4y2Ba	意义gydF4y2Ba	描述gydF4y2Ba
`利用gydF4y2Ba`	对角元素的gydF4y2Ba`HatMatrixgydF4y2Ba`	`利用gydF4y2Ba`为每个观测表明在多大程度上是由观察到的预测价值。一个值接近gydF4y2Ba`1gydF4y2Ba`表明,在很大程度上取决于正观察,从其他观察几乎没有贡献。一个值接近gydF4y2Ba`0gydF4y2Ba`表明,适合在很大程度上取决于另一个观察。对于一个模型gydF4y2Ba`PgydF4y2Ba`系数和gydF4y2Ba`NgydF4y2Ba`观察,平均价值gydF4y2Ba`利用gydF4y2Ba`是gydF4y2Ba`P / NgydF4y2Ba`。一个gydF4y2Ba`利用gydF4y2Ba`值大于gydF4y2Ba`2 * P / NgydF4y2Ba`表明高杠杆。gydF4y2Ba
`CooksDistancegydF4y2Ba`	库克的距离比例变化的拟合值gydF4y2Ba	`CooksDistancegydF4y2Ba`是一个按比例缩小的拟合值的变化。一个观察gydF4y2Ba`CooksDistancegydF4y2Ba`大于三倍的意思是库克的距离可以是一个局外人。gydF4y2Ba
`HatMatrixgydF4y2Ba`	投影矩阵计算了从观察到的反应gydF4y2Ba	`HatMatrixgydF4y2Ba`是一个gydF4y2Ba`NgydF4y2Ba`——- - - - - -gydF4y2Ba`NgydF4y2Ba`矩阵,gydF4y2Ba`安装= HatMatrix * YgydF4y2Ba`,在那里gydF4y2Ba`YgydF4y2Ba`响应向量和吗gydF4y2Ba`安装gydF4y2Ba`是拟合响应值的向量。gydF4y2Ba

软件计算这些值的线性组合的规模预测,存储在gydF4y2BaLinearPredictorgydF4y2Ba场的gydF4y2Ba安装gydF4y2Ba和gydF4y2Ba残差gydF4y2Ba属性。例如,使用安装软件计算诊断价值反应和调整模型的响应值gydF4y2BamdlgydF4y2Ba。gydF4y2Ba

Yfit = mdl.Fitted。LinearPredictorYadjusted = mdl.Fitted.LinearPredictor + mdl.Residuals.LinearPredictor

诊断gydF4y2Ba包含的信息有助于发现异常值和影响力的观察。更多细节,请参阅gydF4y2Ba利用gydF4y2Ba,gydF4y2Ba库克的距离gydF4y2Ba,gydF4y2Ba帽子矩阵gydF4y2Ba。gydF4y2Ba

使用gydF4y2BaplotDiagnosticsgydF4y2Ba绘制观察诊断。gydF4y2Ba

行中使用不适合,因为(在缺失值gydF4y2BaObservationInfo.MissinggydF4y2Ba(在)或排除值gydF4y2BaObservationInfo.ExcludedgydF4y2Ba)包含gydF4y2Ba南gydF4y2Ba中的值gydF4y2BaCooksDistancegydF4y2Ba列和0gydF4y2Ba利用gydF4y2Ba和gydF4y2BaHatMatrixgydF4y2Ba列。gydF4y2Ba

获得这些列作为一个数组,索引属性使用点符号。例如,获得的帽子矩阵模型gydF4y2BamdlgydF4y2Ba:gydF4y2Ba

HatMatrix = mdl.Diagnostics.HatMatrix;gydF4y2Ba

数据类型:gydF4y2Ba表gydF4y2Ba

`分散gydF4y2Ba`- - - - - -gydF4y2Ba方差比例因子的响应gydF4y2Ba
数字标量gydF4y2Ba

这个属性是只读的。gydF4y2Ba

比例因子的方差响应,指定为一个数字标量。gydF4y2Ba

如果gydF4y2Ba“DispersionFlag”gydF4y2Ba名称-值对的观点gydF4y2BafitglmgydF4y2Ba或gydF4y2BastepwiseglmgydF4y2Ba是gydF4y2Ba真正的gydF4y2Ba,然后函数估计gydF4y2Ba分散gydF4y2Ba比例因子计算的方差响应。响应的方差等于理论方差乘以比例因子。gydF4y2Ba

例如,二项分布的方差函数gydF4y2BapgydF4y2Ba(1 -gydF4y2BapgydF4y2Ba)/gydF4y2BangydF4y2Ba,在那里gydF4y2BapgydF4y2Ba参数和的概率是多少gydF4y2BangydF4y2Ba是样本容量参数。如果gydF4y2Ba分散gydF4y2Ba近了gydF4y2Ba1gydF4y2Ba,数据的方差似乎同意二项分布的理论差异。如果gydF4y2Ba分散gydF4y2Ba大于gydF4y2Ba1gydF4y2Ba数据集是“overdispersed”相对于二项分布。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`DispersionEstimatedgydF4y2Ba`- - - - - -gydF4y2Ba国旗表明分散尺度因子的使用gydF4y2Ba
逻辑值gydF4y2Ba

这个属性是只读的。gydF4y2Ba

国旗表明是否gydF4y2BafitglmgydF4y2Ba使用了gydF4y2Ba分散gydF4y2Ba比例因子来计算系数的标准误差gydF4y2BaCoefficients.SEgydF4y2Ba,指定为一个逻辑值。如果gydF4y2BaDispersionEstimatedgydF4y2Ba是gydF4y2Ba假gydF4y2Ba,gydF4y2BafitglmgydF4y2Ba使用方差的理论价值。gydF4y2Ba

DispersionEstimatedgydF4y2Ba可以gydF4y2Ba假gydF4y2Ba仅为二项式和泊松分布。gydF4y2Ba
集gydF4y2BaDispersionEstimatedgydF4y2Ba通过设置gydF4y2Ba“DispersionFlag”gydF4y2Ba名称-值对的观点gydF4y2BafitglmgydF4y2Ba或gydF4y2BastepwiseglmgydF4y2Ba。gydF4y2Ba

数据类型:gydF4y2Ba逻辑gydF4y2Ba

`安装gydF4y2Ba`- - - - - -gydF4y2Ba根据输入数据拟合响应值gydF4y2Ba
表gydF4y2Ba

这个属性是只读的。gydF4y2Ba

安装(预测)值基于输入数据,指定为一个表,其中包含为每个观察一行和列在这个表中描述。gydF4y2Ba

列gydF4y2Ba	描述gydF4y2Ba
`响应gydF4y2Ba`	预测值的响应gydF4y2Ba
`LinearPredictorgydF4y2Ba`	预测值的预测因子的线性组合(一样的链接函数应用到gydF4y2Ba`响应gydF4y2Ba`拟合值)gydF4y2Ba
`概率gydF4y2Ba`	拟合概率(只包括二项分布)gydF4y2Ba

获得这些列向量,索引属性使用点符号。例如,获取向量gydF4y2BafgydF4y2Ba模型的拟合值响应规模gydF4y2BamdlgydF4y2Ba:gydF4y2Ba

f = mdl.Fitted.ResponsegydF4y2Ba

使用gydF4y2Ba预测gydF4y2Ba对其他预测值来计算预测或计算置信界限gydF4y2Ba安装gydF4y2Ba。gydF4y2Ba

数据类型:gydF4y2Ba表gydF4y2Ba

`LogLikelihoodgydF4y2Ba`- - - - - -gydF4y2BaLoglikelihoodgydF4y2Ba
数值gydF4y2Ba

这个属性是只读的。gydF4y2Ba

Loglikelihood分布模型的响应值,指定为一个数值。的意思是安装模式,和其他参数估计的模型。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`ModelCriteriongydF4y2Ba`- - - - - -gydF4y2Ba标准模型的比较gydF4y2Ba
结构gydF4y2Ba

这个属性是只读的。gydF4y2Ba

标准模型比较,与这些字段指定为一个结构:gydF4y2Ba

另类投资会议gydF4y2Ba——Akaike信息标准。gydF4y2BaAIC = 2 * logL + 2 * mgydF4y2Ba,在那里gydF4y2BalogLgydF4y2Baloglikelihood和gydF4y2Ba米gydF4y2Ba是估计的数量参数。gydF4y2Ba
AICcgydF4y2Ba——Akaike信息标准样本大小的修正。gydF4y2BaAICc = AIC + (2 * m * (m + 1) / (n - m - 1)gydF4y2Ba,在那里gydF4y2BangydF4y2Ba是观测的数量。gydF4y2Ba
BICgydF4y2Ba——贝叶斯信息准则。gydF4y2BaBIC = 2 * logL + m * log (n)gydF4y2Ba。gydF4y2Ba
中安集团经贸gydF4y2Ba——Akaike信息准则一致。gydF4y2Ba中安集团经贸= 2 * logL + m * (log (n) + 1)gydF4y2Ba。gydF4y2Ba

信息标准模型选择工具,您可以使用多个模型比较适合相同的数据。这些标准是基于可能性模型适合的措施,包括惩罚复杂性(具体来说,参数的个数)。不同的信息形式的处罚标准是有区别的。gydF4y2Ba

当你比较多个模型,模型信息准则值最低的最佳拟合模型。最佳拟合模型取决于使用的标准模型的比较。gydF4y2Ba

获得的任何准则值作为一个标量,索引属性使用点符号。例如,获得AIC值gydF4y2Ba另类投资会议gydF4y2Ba在模型中gydF4y2BamdlgydF4y2Ba:gydF4y2Ba

aic = mdl.ModelCriterion.AICgydF4y2Ba

数据类型:gydF4y2Ba结构体gydF4y2Ba

`残差gydF4y2Ba`- - - - - -gydF4y2Ba残差拟合模型gydF4y2Ba
表gydF4y2Ba

这个属性是只读的。gydF4y2Ba

残差拟合模型,指定为一个表,其中包含为每个观察一行和列在这个表中描述。gydF4y2Ba

列gydF4y2Ba	描述gydF4y2Ba
`生gydF4y2Ba`	观察-拟合值gydF4y2Ba
`LinearPredictorgydF4y2Ba`	在线性预测残差,等于调整响应值减去拟合预测因子的线性组合gydF4y2Ba
`皮尔森gydF4y2Ba`	原始残差除以响应的估计标准偏差gydF4y2Ba
`安斯科姆gydF4y2Ba`	残差上定义转换数据的转换选择去除偏态gydF4y2Ba
`异常gydF4y2Ba`	残差的基础上每个观察到异常的贡献gydF4y2Ba

行中使用不适合,因为(在缺失值gydF4y2BaObservationInfo.MissinggydF4y2Ba)包含gydF4y2Ba南gydF4y2Ba值。gydF4y2Ba

获得这些列向量,索引属性使用点符号。例如,获得普通生残余向量gydF4y2BargydF4y2Ba在模型中gydF4y2BamdlgydF4y2Ba:gydF4y2Ba

r = mdl.Residuals.RawgydF4y2Ba

数据类型:gydF4y2Ba表gydF4y2Ba

`RsquaredgydF4y2Ba`- - - - - -gydF4y2Ba平方值的模型gydF4y2Ba
结构gydF4y2Ba

这个属性是只读的。gydF4y2Ba

平方值的模型,指定为一个结构有五个领域。gydF4y2Ba

场gydF4y2Ba	描述gydF4y2Ba	方程gydF4y2Ba
`普通的gydF4y2Ba`	普通(调整)的平方gydF4y2Ba	${RgydF4y2Ba}_{普通的gydF4y2Ba}^{2gydF4y2Ba} =gydF4y2Ba 1gydF4y2Ba -gydF4y2Ba \frac{上交所gydF4y2Ba}{风场gydF4y2Ba}$ `上交所gydF4y2Ba`是平方误差的总和,gydF4y2Ba`风场gydF4y2Ba`的总额是平方偏差的响应向量响应的均值向量。gydF4y2Ba
`调整gydF4y2Ba`	平方数调整后的系数gydF4y2Ba	${RgydF4y2Ba}_{调整gydF4y2Ba}^{2gydF4y2Ba} =gydF4y2Ba 1gydF4y2Ba -gydF4y2Ba \frac{上交所gydF4y2Ba}{风场gydF4y2Ba} \cdotgydF4y2Ba \frac{NgydF4y2Ba -gydF4y2Ba 1gydF4y2Ba}{教育部gydF4y2Ba}$ NgydF4y2Ba是观测的数量(gydF4y2Ba`NumObservationsgydF4y2Ba`),gydF4y2Ba`教育部gydF4y2Ba`是错误的自由度(残差)。gydF4y2Ba
`LLRgydF4y2Ba`	Loglikelihood比率gydF4y2Ba	${RgydF4y2Ba}_{LLRgydF4y2Ba}^{2gydF4y2Ba} =gydF4y2Ba 1gydF4y2Ba -gydF4y2Ba \frac{lgydF4y2Ba}{{lgydF4y2Ba}_{0gydF4y2Ba}}$ lgydF4y2Ba的loglikelihood拟合模型(gydF4y2Ba`LogLikelihoodgydF4y2Ba`),gydF4y2BalgydF4y2Ba_0gydF4y2Ba的loglikelihood模型只包含一个常数项。gydF4y2BaRgydF4y2Ba^2gydF4y2Ba_LLRgydF4y2Ba麦克费登伪平方值吗gydF4y2Ba[1]gydF4y2Ba逻辑回归模型。gydF4y2Ba
`异常gydF4y2Ba`	偏差平方gydF4y2Ba	${RgydF4y2Ba}_{异常gydF4y2Ba}^{2gydF4y2Ba} =gydF4y2Ba 1gydF4y2Ba -gydF4y2Ba \frac{DgydF4y2Ba}{{DgydF4y2Ba}_{0gydF4y2Ba}}$ DgydF4y2Ba拟合模型的异常(gydF4y2Ba`异常gydF4y2Ba`),gydF4y2BaDgydF4y2Ba_0gydF4y2Ba是一个模型的异常,包括常数项。gydF4y2Ba
`AdjGeneralizedgydF4y2Ba`	调整广义平方gydF4y2Ba	${RgydF4y2Ba}_{AdjGeneralizedgydF4y2Ba}^{2gydF4y2Ba} =gydF4y2Ba \frac{1gydF4y2Ba -gydF4y2Ba 经验值gydF4y2Ba (gydF4y2Ba \frac{2gydF4y2Ba (gydF4y2Ba {lgydF4y2Ba}_{0gydF4y2Ba} -gydF4y2Ba lgydF4y2Ba)gydF4y2Ba}{NgydF4y2Ba})gydF4y2Ba}{1gydF4y2Ba -gydF4y2Ba 经验值gydF4y2Ba (gydF4y2Ba \frac{2gydF4y2Ba {lgydF4y2Ba}_{0gydF4y2Ba}}{NgydF4y2Ba})gydF4y2Ba}$ RgydF4y2Ba^2gydF4y2Ba_{AdjGeneralizedgydF4y2Ba}是Nagelkerke调整gydF4y2Ba[2]gydF4y2BaMaddala提出的公式gydF4y2Ba[3]gydF4y2Ba考克斯和斯奈尔gydF4y2Ba[4]gydF4y2Ba,麦基gydF4y2Ba[5]gydF4y2Ba逻辑回归模型。gydF4y2Ba

获得这些值作为一个标量,索引属性使用点符号。例如,在模型中得到调整后的平方值gydF4y2BamdlgydF4y2Ba,输入:gydF4y2Ba

r2 = mdl.Rsquared.AdjustedgydF4y2Ba

数据类型:gydF4y2Ba结构体gydF4y2Ba

`上交所gydF4y2Ba`- - - - - -gydF4y2Ba的平方误差的总和gydF4y2Ba
数值gydF4y2Ba

这个属性是只读的。gydF4y2Ba

平方误差的总和(残差),指定为一个数值。如果模型与观测的重量训练,的平方和gydF4y2Ba上交所gydF4y2Ba计算加权平方和。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`苏维埃社会主义共和国gydF4y2Ba`- - - - - -gydF4y2Ba回归平方和gydF4y2Ba
数值gydF4y2Ba

这个属性是只读的。gydF4y2Ba

回归平方和,指定为一个数值。gydF4y2Ba苏维埃社会主义共和国gydF4y2Ba等于平方偏差之和之间的拟合值和响应的均值。如果模型与观测的重量训练,的平方和gydF4y2Ba苏维埃社会主义共和国gydF4y2Ba计算加权平方和。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`风场gydF4y2Ba`- - - - - -gydF4y2Ba总平方和gydF4y2Ba
数值gydF4y2Ba

这个属性是只读的。gydF4y2Ba

总平方和,指定为一个数值。gydF4y2Ba风场gydF4y2Ba等于偏差的平方和的响应向量gydF4y2BaygydF4y2Ba从gydF4y2Ba意思是(y)gydF4y2Ba。如果模型与观测的重量训练,的平方和gydF4y2Ba风场gydF4y2Ba计算加权平方和。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

合适的信息gydF4y2Ba

`步骤gydF4y2Ba`- - - - - -gydF4y2Ba分段拟合的信息gydF4y2Ba
结构gydF4y2Ba

这个属性是只读的。gydF4y2Ba

分段拟合信息,指定为这个表结构描述的领域。gydF4y2Ba

场gydF4y2Ba	描述gydF4y2Ba
`开始gydF4y2Ba`	代表起始模型公式gydF4y2Ba
`较低的gydF4y2Ba`	代表下界公式模型。的条款gydF4y2Ba`较低的gydF4y2Ba`在模型中必须保持。gydF4y2Ba
`上gydF4y2Ba`	代表上限公式模型。该模型不能包含更多的比gydF4y2Ba`上gydF4y2Ba`。gydF4y2Ba
`标准gydF4y2Ba`	标准用于分段算法,如gydF4y2Ba`上交所的gydF4y2Ba`
`被关闭的gydF4y2Ba`	阈值gydF4y2Ba`标准gydF4y2Ba`添加一个术语gydF4y2Ba
`PRemovegydF4y2Ba`	阈值gydF4y2Ba`标准gydF4y2Ba`删除一个术语gydF4y2Ba
`历史gydF4y2Ba`	表代表中所需要的步骤gydF4y2Ba

的gydF4y2Ba历史gydF4y2Ba每一步的表包含一行,包括最初的适应,和列在这个表中描述。gydF4y2Ba

列gydF4y2Ba	描述gydF4y2Ba
`行动gydF4y2Ba`	期间的行动步骤:gydF4y2Ba `“开始”gydF4y2Ba`——第一步gydF4y2Ba `“添加”gydF4y2Ba`——添加一个术语gydF4y2Ba `“删除”gydF4y2Ba`——删除一个术语gydF4y2Ba
`TermNamegydF4y2Ba`	如果gydF4y2Ba`行动gydF4y2Ba`是gydF4y2Ba`“开始”gydF4y2Ba`,gydF4y2Ba`TermNamegydF4y2Ba`指定起始模型规范。gydF4y2Ba 如果gydF4y2Ba`行动gydF4y2Ba`是gydF4y2Ba`“添加”gydF4y2Ba`或gydF4y2Ba`“删除”gydF4y2Ba`,gydF4y2Ba`TermNamegydF4y2Ba`指定术语添加或删除的步骤。gydF4y2Ba
`条款gydF4y2Ba`	模型规范的gydF4y2Ba计算矩阵gydF4y2Ba
`DFgydF4y2Ba`	回归后的自由度的一步gydF4y2Ba
`delDFgydF4y2Ba`	上一步回归自由度变化的步骤删除一个术语(负)gydF4y2Ba
`异常gydF4y2Ba`	异常(剩余平方和)步骤(只对广义线性回归模型)gydF4y2Ba
`函数gydF4y2Ba`	FgydF4y2Ba统计这导致了一步gydF4y2Ba
`PValuegydF4y2Ba`	pgydF4y2Ba价值的gydF4y2BaFgydF4y2Ba统计gydF4y2Ba

结构是空的,除非你适合使用逐步回归模型。gydF4y2Ba

数据类型:gydF4y2Ba结构体gydF4y2Ba

输入数据gydF4y2Ba

`分布gydF4y2Ba`- - - - - -gydF4y2Ba广义分布信息gydF4y2Ba
结构gydF4y2Ba

这个属性是只读的。gydF4y2Ba

广义分布信息,指定为一个结构与此表中描述的领域。gydF4y2Ba

场gydF4y2Ba	描述gydF4y2Ba
`的名字gydF4y2Ba`	地理分布:名称gydF4y2Ba`“正常”gydF4y2Ba`,gydF4y2Ba`“二”gydF4y2Ba`,gydF4y2Ba`“泊松”gydF4y2Ba`,gydF4y2Ba`“伽马”gydF4y2Ba`,或gydF4y2Ba`逆高斯分布的gydF4y2Ba`
`DevianceFunctiongydF4y2Ba`	函数,计算偏差的组件的函数拟合参数值和响应值gydF4y2Ba
`VarianceFunctiongydF4y2Ba`	函数计算理论方差分布函数的拟合参数值。当gydF4y2Ba`DispersionEstimatedgydF4y2Ba`是gydF4y2Ba`真正的gydF4y2Ba`,软件繁殖方差函数gydF4y2Ba`分散gydF4y2Ba`在系数的计算标准错误。gydF4y2Ba

数据类型:gydF4y2Ba结构体gydF4y2Ba

`公式gydF4y2Ba`- - - - - -gydF4y2Ba模型信息gydF4y2Ba
`LinearFormulagydF4y2Ba`对象gydF4y2Ba

这个属性是只读的。gydF4y2Ba

模型信息,指定为一个gydF4y2BaLinearFormulagydF4y2Ba对象。gydF4y2Ba

显示的公式拟合模型gydF4y2BamdlgydF4y2Ba使用点符号:gydF4y2Ba

mdl.FormulagydF4y2Ba

`链接gydF4y2Ba`- - - - - -gydF4y2Ba链接功能gydF4y2Ba
结构gydF4y2Ba

这个属性是只读的。gydF4y2Ba

链接功能,指定为一个结构与此表中描述的领域。gydF4y2Ba

场gydF4y2Ba	描述gydF4y2Ba
`的名字gydF4y2Ba`	链接的函数名称,指定为一个特征向量。如果你指定链接函数使用一个函数处理,gydF4y2Ba`的名字gydF4y2Ba`是gydF4y2Ba`”gydF4y2Ba`。gydF4y2Ba
`链接gydF4y2Ba`	函数gydF4y2BafgydF4y2Ba定义函数的联系,指定为一个函数处理gydF4y2Ba
`导数gydF4y2Ba`	的导数gydF4y2BafgydF4y2Ba,指定为一个函数处理gydF4y2Ba
`逆gydF4y2Ba`	逆的gydF4y2BafgydF4y2Ba,指定为一个函数处理gydF4y2Ba

函数是一个函数的链接gydF4y2BafgydF4y2Ba链接分布参数gydF4y2BaμgydF4y2Ba拟合线性组合gydF4y2BaXbgydF4y2Ba预测:gydF4y2Ba

fgydF4y2Ba(gydF4y2BaμgydF4y2Ba)=gydF4y2BaXbgydF4y2Ba。gydF4y2Ba

数据类型:gydF4y2Ba结构体gydF4y2Ba

`NumObservationsgydF4y2Ba`- - - - - -gydF4y2Ba数量的观察gydF4y2Ba
正整数gydF4y2Ba

这个属性是只读的。gydF4y2Ba

数用于拟合观测数据的拟合函数,指定为一个正整数。gydF4y2BaNumObservationsgydF4y2Ba是观测的数量提供原始表,数据集,或矩阵,减去任何排除行(设置的gydF4y2Ba“排除”gydF4y2Ba名称-值对参数)或具有缺失值的行。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`NumPredictorsgydF4y2Ba`- - - - - -gydF4y2Ba数量的预测变量gydF4y2Ba
正整数gydF4y2Ba

这个属性是只读的。gydF4y2Ba

以适应模型,使用数量的预测变量指定为一个正整数。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`NumVariablesgydF4y2Ba`- - - - - -gydF4y2Ba数量的变量gydF4y2Ba
正整数gydF4y2Ba

这个属性是只读的。gydF4y2Ba

输入数据的变量数量,指定为一个正整数。gydF4y2BaNumVariablesgydF4y2Ba是变量的数量在原始表或数据集,或预测矩阵中的列的总数和响应向量。gydF4y2Ba

NumVariablesgydF4y2Ba还包括任何变量,不习惯适应模型作为预测或响应。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`ObservationInfogydF4y2Ba`- - - - - -gydF4y2Ba观测信息gydF4y2Ba
表gydF4y2Ba

这个属性是只读的。gydF4y2Ba

观察信息,指定为一个gydF4y2BangydF4y2Ba表4,gydF4y2BangydF4y2Ba等于输入数据的行数。gydF4y2BaObservationInfogydF4y2Ba包含这个表中描述的列。gydF4y2Ba

列gydF4y2Ba	描述gydF4y2Ba
`权重gydF4y2Ba`	观察体重、指定为一个数值。默认值是gydF4y2Ba`1gydF4y2Ba`。gydF4y2Ba
`被排除在外gydF4y2Ba`	的指标排除观察,指定为一个逻辑值。这个值是gydF4y2Ba`真正的gydF4y2Ba`如果你观察排除在适合使用gydF4y2Ba`“排除”gydF4y2Ba`名称-值对的论点。gydF4y2Ba
`失踪gydF4y2Ba`	失踪的观察指标,指定为一个逻辑值。这个值是gydF4y2Ba`真正的gydF4y2Ba`如果观察失踪。gydF4y2Ba
`子集gydF4y2Ba`	指标的拟合函数是否使用观察,指定为一个逻辑值。这个值是gydF4y2Ba`真正的gydF4y2Ba`如果观察不排除或失踪,这意味着观察拟合函数使用。gydF4y2Ba

获得这些列向量,索引属性使用点符号。例如,获取权向量gydF4y2BawgydF4y2Ba模型的gydF4y2BamdlgydF4y2Ba:gydF4y2Ba

w = mdl.ObservationInfo.WeightsgydF4y2Ba

数据类型:gydF4y2Ba表gydF4y2Ba

`ObservationNamesgydF4y2Ba`- - - - - -gydF4y2Ba观察的名字gydF4y2Ba
单元阵列的特征向量gydF4y2Ba

这个属性是只读的。gydF4y2Ba

观察名称指定为特征向量的单元阵列包含观测中使用的名称。gydF4y2Ba

如果符合基于一个表或包含观测数据集名称,gydF4y2BaObservationNamesgydF4y2Ba使用这些名称。gydF4y2Ba
否则,gydF4y2BaObservationNamesgydF4y2Ba是一个空单元数组。gydF4y2Ba

数据类型:gydF4y2Ba细胞gydF4y2Ba

`抵消gydF4y2Ba`- - - - - -gydF4y2Ba抵消变量gydF4y2Ba
数值向量gydF4y2Ba

这个属性是只读的。gydF4y2Ba

抵消变量指定为一个数字相同的向量数据的行数。gydF4y2Ba抵消gydF4y2Ba通过从gydF4y2BafitglmgydF4y2Ba或gydF4y2BastepwiseglmgydF4y2Ba在gydF4y2Ba“抵消”gydF4y2Ba名称-值对的论点。拟合函数使用gydF4y2Ba抵消gydF4y2Ba作为一个额外的固定在预测变量的系数值gydF4y2Ba1gydF4y2Ba。换句话说,拟合的公式gydF4y2Ba

fgydF4y2Ba(gydF4y2BaμgydF4y2Ba)gydF4y2Ba~抵消+(条款涉及的预测)gydF4y2Ba

在哪里gydF4y2BafgydF4y2Ba是链接功能。的gydF4y2Ba抵消gydF4y2Ba预测了系数gydF4y2Ba1gydF4y2Ba。gydF4y2Ba

例如,考虑一个泊松回归模型。假设的数量成正比计数理论闻名理由预测gydF4y2Ba一个gydF4y2Ba。通过使用日志功能,通过指定链接gydF4y2Ba日志(一)gydF4y2Ba作为补偿,你可以迫使模型来满足这个理论的约束。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`PredictorNamesgydF4y2Ba`- - - - - -gydF4y2Ba名字适合使用的预测模型gydF4y2Ba
单元阵列的特征向量gydF4y2Ba

这个属性是只读的。gydF4y2Ba

名字适合使用的预测模型,指定为一个单元阵列的特征向量。gydF4y2Ba

数据类型:gydF4y2Ba细胞gydF4y2Ba

`ResponseNamegydF4y2Ba`- - - - - -gydF4y2Ba响应变量名gydF4y2Ba
特征向量gydF4y2Ba

这个属性是只读的。gydF4y2Ba

响应变量名称,指定为一个特征向量。gydF4y2Ba

数据类型:gydF4y2Ba字符gydF4y2Ba

`VariableInfogydF4y2Ba`- - - - - -gydF4y2Ba信息变量gydF4y2Ba
表gydF4y2Ba

这个属性是只读的。gydF4y2Ba

变量中包含的信息gydF4y2Ba变量gydF4y2Ba,指定为一个表为每个变量与一行和列在这个表中描述。gydF4y2Ba

列gydF4y2Ba	描述gydF4y2Ba
`类gydF4y2Ba`	变量类,指定为一个单元阵列的特征向量,如gydF4y2Ba`“双”gydF4y2Ba`和gydF4y2Ba`“分类”gydF4y2Ba`
`范围gydF4y2Ba`	变量范围,指定为一个单元阵列的向量gydF4y2Ba 连续变量——双元素向量gydF4y2Ba`(gydF4y2Ba最小值gydF4y2Ba,gydF4y2Ba马克斯gydF4y2Ba]gydF4y2Ba`的最小值和最大值gydF4y2Ba 分类变量的向量不同的变量值gydF4y2Ba
`InModelgydF4y2Ba`	的指标变量的拟合模型,指定为一个逻辑向量。这个值是gydF4y2Ba`真正的gydF4y2Ba`如果模型包括变量。gydF4y2Ba
`IsCategoricalgydF4y2Ba`	指标的分类变量指定为一个逻辑向量。这个值是gydF4y2Ba`真正的gydF4y2Ba`如果变量是分类。gydF4y2Ba

VariableInfogydF4y2Ba还包括任何变量,不习惯适应模型作为预测或响应。gydF4y2Ba

数据类型:gydF4y2Ba表gydF4y2Ba

`VariableNamesgydF4y2Ba`- - - - - -gydF4y2Ba变量的名字gydF4y2Ba
单元阵列的特征向量gydF4y2Ba

这个属性是只读的。gydF4y2Ba

变量的名字,指定为一个单元阵列的特征向量。gydF4y2Ba

如果符合基于一个表或数据集,这个属性提供了表中的变量或数据集的名称。gydF4y2Ba
如果适合基于预测矩阵和响应向量,gydF4y2BaVariableNamesgydF4y2Ba包含指定的值gydF4y2Ba“VarNames”gydF4y2Ba名称-值对参数的拟合方法。的默认值gydF4y2Ba“VarNames”gydF4y2Ba是gydF4y2Ba{x1, x2,…,‘xn’,‘y’}gydF4y2Ba。gydF4y2Ba

VariableNamesgydF4y2Ba还包括任何变量,不习惯适应模型作为预测或响应。gydF4y2Ba

数据类型:gydF4y2Ba细胞gydF4y2Ba

`变量gydF4y2Ba`- - - - - -gydF4y2Ba输入数据gydF4y2Ba
表gydF4y2Ba

这个属性是只读的。gydF4y2Ba

输入数据,指定为一个表。gydF4y2Ba变量gydF4y2Ba包含预测和响应值。如果合适的数据集是基于一个表或数组,gydF4y2Ba变量gydF4y2Ba包含了所有的数据表或数据集的数组。否则,gydF4y2Ba变量gydF4y2Ba从输入数据矩阵表创建gydF4y2BaXgydF4y2Ba和响应向量gydF4y2BaygydF4y2Ba。gydF4y2Ba

变量gydF4y2Ba还包括任何变量,不习惯适应模型作为预测或响应。gydF4y2Ba

数据类型:gydF4y2Ba表gydF4y2Ba

对象的功能gydF4y2Ba

全部展开gydF4y2Ba

创建gydF4y2Ba`CompactGeneralizedLinearModelgydF4y2Ba`

紧凑的gydF4y2Ba 紧凑的广义线性回归模型gydF4y2Ba

添加或删除从广义线性模型gydF4y2Ba

`addTermsgydF4y2Ba`	广义线性回归模型添加条款gydF4y2Ba
`removeTermsgydF4y2Ba`	删除从广义线性回归模型gydF4y2Ba
`一步gydF4y2Ba`	改善广义线性回归模型,添加或删除gydF4y2Ba

预测的反应gydF4y2Ba

`函数宏指令gydF4y2Ba`	广义线性回归模型的预测反应为每个预测使用一个输入gydF4y2Ba
`预测gydF4y2Ba`	广义线性回归模型的预测的反应gydF4y2Ba
`随机gydF4y2Ba`	模拟反应广义线性回归模型的随机噪声gydF4y2Ba

广义线性模型进行评估gydF4y2Ba

`coefCIgydF4y2Ba`	置信区间系数广义线性回归模型的估计gydF4y2Ba
`coefTestgydF4y2Ba`	线性假设检验在广义线性回归模型系数gydF4y2Ba
`devianceTestgydF4y2Ba`	分析广义线性回归模型的异常gydF4y2Ba
`partialDependencegydF4y2Ba`	计算部分依赖gydF4y2Ba

可视化广义线性模型和汇总统计gydF4y2Ba

`plotDiagnosticsgydF4y2Ba`	广义线性回归模型的情节观察诊断gydF4y2Ba
`plotPartialDependencegydF4y2Ba`	创建部分依赖图(PDP)和个人条件期望(ICE)情节gydF4y2Ba
`plotResidualsgydF4y2Ba`	情节广义线性回归模型的残差gydF4y2Ba
`plotSlicegydF4y2Ba`	通过拟合广义线性回归的情节片表面gydF4y2Ba

收集广义线性模型的属性gydF4y2Ba

收集gydF4y2Ba 收集的属性gydF4y2Ba统计和机器学习工具gydF4y2Ba对象从GPUgydF4y2Ba

例子gydF4y2Ba

全部折叠gydF4y2Ba

创建广义线性回归模型gydF4y2Ba

打开生活的脚本gydF4y2Ba

适合吸烟的概率逻辑回归模型的函数的年龄,体重,和性,使用双向交互模型。gydF4y2Ba

加载gydF4y2Ba医院gydF4y2Ba数据集。gydF4y2Ba

负载gydF4y2Ba医院gydF4y2Ba

数据数组转换为一个表。gydF4y2Ba

台= dataset2table(医院);gydF4y2Ba

指定模型使用一个公式,包括双向交互和低阶项。gydF4y2Ba

modelspec =gydF4y2Ba“吸烟者~年龄*重量*性别-年龄:重量:性的gydF4y2Ba;gydF4y2Ba

创建广义线性模型。gydF4y2Ba

modelspec mdl = fitglm(资源描述,gydF4y2Ba“分布”gydF4y2Ba,gydF4y2Ba“二”gydF4y2Ba)gydF4y2Ba

mdl =广义线性回归模型:分对数(吸烟)~ 1 +性别*年龄+性别*重量+年龄*重量分配=二项式系数估计:估计SE tStat pValue ___________ _____ ________ _________(拦截)Sex_Male 0.75938 -6.0492 19.749 -0.3063 -2.2859 12.424 -0.18399 0.85402年龄体重0.11691 0.50977 0.22934 0.81861 0.031109 0.15208 0.20455 0.83792 Sex_Male:年龄0.020734 0.20681 0.10025 0.92014 Sex_Male:体重0.01216 - 0.053168 0.22871 - 0.8191年龄:体重-0.00071959 - 0.0038964 -0.18468 - 0.85348 100观察,93错误自由度色散:1 x ^ 2-statistic与常数模型:5.07,p = 0.535gydF4y2Ba

大gydF4y2BapgydF4y2Ba值表明,模型可能没有统计上的不同一个常数。gydF4y2Ba

使用逐步回归创建广义线性回归模型gydF4y2Ba

打开生活的脚本gydF4y2Ba

使用三个20个预测变量创建响应数据,并创建一个广义线性模型利用一个常数的逐步回归模型来看看gydF4y2BastepwiseglmgydF4y2Ba找到正确的预测。gydF4y2Ba

生成样本数据,有20个预测变量。使用三个泊松预测产生的响应变量。gydF4y2Ba

rnggydF4y2Ba默认的gydF4y2Ba%的再现性gydF4y2Ba20 X = randn (100);μ= exp (X (: [5 10 15]) * [。4; 2。3)+ 1);y = poissrnd(μ);gydF4y2Ba

适合使用泊松分布的广义线性回归模型。指定起始模型作为模型只包含一个常数(拦截)。同时,指定为每个预测模型与一个拦截和线性项作为最大的模型认为适合使用gydF4y2Ba“上”gydF4y2Ba名称-值对的论点。gydF4y2Ba

mdl = stepwiseglm (X, y,gydF4y2Ba“不变”gydF4y2Ba,gydF4y2Ba“上”gydF4y2Ba,gydF4y2Ba“线性”gydF4y2Ba,gydF4y2Ba“分布”gydF4y2Ba,gydF4y2Ba“泊松”gydF4y2Ba)gydF4y2Ba

1。添加x5,异常= 134.439,Chi2Stat = 52.24814, PValue = 4.891229 e-13 2。添加连接,异常= 106.285,Chi2Stat = 28.15393, PValue = 1.1204 e-07 3。添加x10,异常= 95.0207,Chi2Stat = 11.2644, PValue = 0.000790094gydF4y2Ba

mdl =广义线性回归模型:日志(y) ~ 1 + x5 + x10 + x15 =泊松分布估计系数:估计SE tStat pValue说______ __________(拦截)1.0115 0.064275 15.737 8.4217 e-56 x5 e-09 x10 0.18863 0.05534 3.4085 3.0977 0.39508 0.066665 5.9263 0.0006532 x15 0.29295 0.053269 5.4995 3.8089 100年e-08观察,96错误自由度色散:1 x ^ 2-statistic与常数模型:91.7,p = 9.61 e-20gydF4y2Ba

stepwiseglmgydF4y2Ba发现三个正确的预测:gydF4y2Bax5gydF4y2Ba,gydF4y2Bax10gydF4y2Ba,gydF4y2Ba连接gydF4y2Ba。gydF4y2Ba

更多关于gydF4y2Ba

全部展开gydF4y2Ba

规范的链接功能gydF4y2Ba

默认链接函数的广义线性模型gydF4y2Ba规范的链接功能gydF4y2Ba。您可以指定一个链接函数当你适合一个模型gydF4y2BafitglmgydF4y2Ba或gydF4y2BastepwiseglmgydF4y2Ba通过使用gydF4y2Ba“链接”gydF4y2Ba名称-值对的论点。gydF4y2Ba

分布gydF4y2Ba	规范的链接函数名gydF4y2Ba	链接功能gydF4y2Ba	意味着(逆)函数gydF4y2Ba
`“正常”gydF4y2Ba`	`“身份”gydF4y2Ba`	fgydF4y2Ba(gydF4y2BaμgydF4y2Ba)=gydF4y2BaμgydF4y2Ba	μgydF4y2Ba=gydF4y2BaXbgydF4y2Ba
`“二”gydF4y2Ba`	`分对数的gydF4y2Ba`	fgydF4y2Ba(gydF4y2BaμgydF4y2Ba)=日志(gydF4y2BaμgydF4y2Ba/ (1 -gydF4y2BaμgydF4y2Ba))gydF4y2Ba	μgydF4y2Ba= exp (gydF4y2BaXbgydF4y2Ba)/ (1 + exp (gydF4y2BaXbgydF4y2Ba))gydF4y2Ba
`“泊松”gydF4y2Ba`	`“日志”gydF4y2Ba`	fgydF4y2Ba(gydF4y2BaμgydF4y2Ba)=日志(gydF4y2BaμgydF4y2Ba)gydF4y2Ba	μgydF4y2Ba= exp (gydF4y2BaXbgydF4y2Ba)gydF4y2Ba
`“伽马”gydF4y2Ba`	`1gydF4y2Ba`	fgydF4y2Ba(gydF4y2BaμgydF4y2Ba)= 1 /gydF4y2BaμgydF4y2Ba	μgydF4y2Ba= 1 / (gydF4y2BaXbgydF4y2Ba)gydF4y2Ba
`逆高斯分布的gydF4y2Ba`	`2gydF4y2Ba`	fgydF4y2Ba(gydF4y2BaμgydF4y2Ba)= 1 /gydF4y2BaμgydF4y2Ba^2gydF4y2Ba	μgydF4y2Ba= (gydF4y2BaXbgydF4y2Ba)gydF4y2Ba^1/2gydF4y2Ba

库克的距离gydF4y2Ba

库克的距离比例的变化拟合值,用于识别异常值的预测变量的观测。库克的距离显示了安装上的每个观测响应值的影响。观察与库克的距离大于三倍的意思是库克的距离可能是局外人。gydF4y2Ba

库克的距离gydF4y2BaDgydF4y2Ba_我gydF4y2Ba的观察gydF4y2Ba我gydF4y2Ba是gydF4y2Ba

${DgydF4y2Ba}_{我gydF4y2Ba} =gydF4y2Ba {wgydF4y2Ba}_{我gydF4y2Ba} \frac{{egydF4y2Ba}_{我gydF4y2Ba}^{2gydF4y2Ba}}{pgydF4y2Ba \overset{^gydF4y2Ba}{φgydF4y2Ba}} \frac{{hgydF4y2Ba}_{我gydF4y2Ba 我gydF4y2Ba}}{{(gydF4y2Ba 1gydF4y2Ba -gydF4y2Ba {hgydF4y2Ba}_{我gydF4y2Ba 我gydF4y2Ba})gydF4y2Ba}^{2gydF4y2Ba}},gydF4y2Ba$

在哪里gydF4y2Ba

$\overset{^gydF4y2Ba}{φgydF4y2Ba}$ 是色散参数(估计或理论)。gydF4y2Ba
egydF4y2Ba_我gydF4y2Ba线性预测残留,gydF4y2Ba $ggydF4y2Ba (gydF4y2Ba {ygydF4y2Ba}_{我gydF4y2Ba})gydF4y2Ba -gydF4y2Ba {xgydF4y2Ba}_{我gydF4y2Ba} \overset{^gydF4y2Ba}{βgydF4y2Ba}$ ,在那里gydF4y2Ba
- ggydF4y2Ba是链接功能。gydF4y2Ba
- ygydF4y2Ba_我gydF4y2Ba是观察到的反应。gydF4y2Ba
- xgydF4y2Ba_我gydF4y2Ba是观察。gydF4y2Ba
- $\overset{^gydF4y2Ba}{βgydF4y2Ba}$ 是估计的系数向量。gydF4y2Ba
pgydF4y2Ba回归模型系数的数量。gydF4y2Ba
hgydF4y2Ba_{二世gydF4y2Ba}是gydF4y2Ba我gydF4y2Ba的对角元素gydF4y2Ba帽子矩阵gydF4y2BaHgydF4y2Ba。gydF4y2Ba

利用gydF4y2Ba

杠杆率是一个衡量一个特定的影响观察的回归预测由于位置观测空间的输入。gydF4y2Ba

杠杆的观察gydF4y2Ba我gydF4y2Ba的价值吗gydF4y2Ba我gydF4y2Bath对角线项gydF4y2BahgydF4y2Ba_{二世gydF4y2Ba}这顶帽子矩阵gydF4y2BaHgydF4y2Ba。因为杠杆值的总和gydF4y2BapgydF4y2Ba(在回归模型系数的数量),一个观察gydF4y2Ba我gydF4y2Ba可以被认为是一个异类的利用大大超过了gydF4y2BapgydF4y2Ba/gydF4y2BangydF4y2Ba,在那里gydF4y2BangydF4y2Ba是观测的数量。gydF4y2Ba

帽子矩阵gydF4y2Ba

这顶帽子矩阵是一个投影矩阵,项目反应的观察到向量的向量的预测。gydF4y2Ba

这顶帽子矩阵gydF4y2BaHgydF4y2Ba定义的数据矩阵gydF4y2BaXgydF4y2Ba和一个对角矩阵gydF4y2BaWgydF4y2Ba:gydF4y2Ba

HgydF4y2Ba=gydF4y2BaXgydF4y2Ba(gydF4y2BaXgydF4y2Ba^TgydF4y2Ba的天气gydF4y2Ba)gydF4y2Ba^1gydF4y2BaXgydF4y2Ba^TgydF4y2BaWgydF4y2Ba^TgydF4y2Ba。gydF4y2Ba

WgydF4y2Ba有对角线元素gydF4y2BawgydF4y2Ba_我gydF4y2Ba:gydF4y2Ba

${wgydF4y2Ba}_{我gydF4y2Ba} =gydF4y2Ba \frac{{ggydF4y2Ba}^{'gydF4y2Ba} (gydF4y2Ba {μgydF4y2Ba}_{我gydF4y2Ba})gydF4y2Ba}{\sqrt{VgydF4y2Ba (gydF4y2Ba {μgydF4y2Ba}_{我gydF4y2Ba})gydF4y2Ba}},gydF4y2Ba$

在哪里gydF4y2Ba

ggydF4y2Ba函数映射的联系吗gydF4y2BaygydF4y2Ba_我gydF4y2Ba来gydF4y2BaxgydF4y2Ba_我gydF4y2BabgydF4y2Ba。gydF4y2Ba
${ggydF4y2Ba}^{'gydF4y2Ba}$ 是函数的导数关系吗gydF4y2BaggydF4y2Ba。gydF4y2Ba
VgydF4y2Ba是方差函数。gydF4y2Ba
μgydF4y2Ba_我gydF4y2Ba是gydF4y2Ba我gydF4y2Bath的意思。gydF4y2Ba

对角线元素gydF4y2BaHgydF4y2Ba_{二世gydF4y2Ba}满足gydF4y2Ba

$\begin{array}{l} 0gydF4y2Ba \leqgydF4y2Ba {hgydF4y2Ba}_{我gydF4y2Ba 我gydF4y2Ba} \leqgydF4y2Ba 1gydF4y2Ba \\ {\sumgydF4y2Ba}_{我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba}^{ngydF4y2Ba} {hgydF4y2Ba}_{我gydF4y2Ba 我gydF4y2Ba} =gydF4y2Ba pgydF4y2Ba,gydF4y2Ba \end{array}$

在哪里gydF4y2BangydF4y2Ba是观测的数量(行吗gydF4y2BaXgydF4y2Ba),gydF4y2BapgydF4y2Ba回归模型系数的数量。gydF4y2Ba

异常gydF4y2Ba

异常是一个泛化的残差平方和。它措施比饱和模型拟合优度。gydF4y2Ba

一个模型的异常gydF4y2Ba米gydF4y2Ba_1gydF4y2Ba两倍的区别的loglikelihood模型gydF4y2Ba米gydF4y2Ba_1gydF4y2Ba和饱和模型gydF4y2Ba米gydF4y2Ba_{年代gydF4y2Ba}。饱和模型是模型参数的最大数量,你可以估计。gydF4y2Ba

例如,如果你有gydF4y2BangydF4y2Ba观察(gydF4y2BaygydF4y2Ba_我gydF4y2Ba,gydF4y2Ba我gydF4y2Ba= 1,2,…,gydF4y2BangydF4y2Ba)可能不同的值gydF4y2BaXgydF4y2Ba_我gydF4y2Ba^TgydF4y2Baβ,则可以定义一个饱和模型gydF4y2BangydF4y2Ba参数。让gydF4y2BalgydF4y2Ba(gydF4y2BabgydF4y2Ba,gydF4y2BaygydF4y2Ba)表示的最大价值模型的似然函数的参数gydF4y2BabgydF4y2Ba。然后模型的异常gydF4y2Ba米gydF4y2Ba_1gydF4y2Ba是gydF4y2Ba

$-gydF4y2Ba 2gydF4y2Ba (gydF4y2Ba 日志gydF4y2Ba lgydF4y2Ba (gydF4y2Ba {bgydF4y2Ba}_{1gydF4y2Ba},gydF4y2Ba ygydF4y2Ba)gydF4y2Ba -gydF4y2Ba 日志gydF4y2Ba lgydF4y2Ba (gydF4y2Ba {bgydF4y2Ba}_{年代gydF4y2Ba},gydF4y2Ba ygydF4y2Ba)gydF4y2Ba)gydF4y2Ba,gydF4y2Ba$

在哪里gydF4y2BabgydF4y2Ba_1gydF4y2Ba和gydF4y2BabgydF4y2Ba_{年代gydF4y2Ba}包含估计模型参数gydF4y2Ba米gydF4y2Ba_1gydF4y2Ba分别和饱和模型。异常有卡方分布gydF4y2BangydF4y2Ba- - - - - -gydF4y2BapgydF4y2Ba自由度,gydF4y2BangydF4y2Ba是在饱和模型和参数的数量gydF4y2BapgydF4y2Ba在模型中参数的数量吗gydF4y2Ba米gydF4y2Ba_1gydF4y2Ba。gydF4y2Ba

假设你有两个不同的广义线性回归模型gydF4y2Ba米gydF4y2Ba_1gydF4y2Ba和gydF4y2Ba米gydF4y2Ba_2gydF4y2Ba,gydF4y2Ba米gydF4y2Ba_1gydF4y2Ba项的子集gydF4y2Ba米gydF4y2Ba_2gydF4y2Ba。你可以评估模型的适合通过比较他们的太多gydF4y2BaDgydF4y2Ba_1gydF4y2Ba和gydF4y2BaDgydF4y2Ba_2gydF4y2Ba。太多的差异gydF4y2Ba

$\begin{array}{l} DgydF4y2Ba =gydF4y2Ba {DgydF4y2Ba}_{2gydF4y2Ba} -gydF4y2Ba {DgydF4y2Ba}_{1gydF4y2Ba} =gydF4y2Ba -gydF4y2Ba 2gydF4y2Ba (gydF4y2Ba 日志gydF4y2Ba lgydF4y2Ba (gydF4y2Ba {bgydF4y2Ba}_{2gydF4y2Ba},gydF4y2Ba ygydF4y2Ba)gydF4y2Ba -gydF4y2Ba 日志gydF4y2Ba lgydF4y2Ba (gydF4y2Ba {bgydF4y2Ba}_{年代gydF4y2Ba},gydF4y2Ba ygydF4y2Ba)gydF4y2Ba)gydF4y2Ba +gydF4y2Ba 2gydF4y2Ba (gydF4y2Ba 日志gydF4y2Ba lgydF4y2Ba (gydF4y2Ba {bgydF4y2Ba}_{1gydF4y2Ba},gydF4y2Ba ygydF4y2Ba)gydF4y2Ba -gydF4y2Ba 日志gydF4y2Ba lgydF4y2Ba (gydF4y2Ba {bgydF4y2Ba}_{年代gydF4y2Ba},gydF4y2Ba ygydF4y2Ba)gydF4y2Ba)gydF4y2Ba \\ =gydF4y2Ba -gydF4y2Ba 2gydF4y2Ba (gydF4y2Ba 日志gydF4y2Ba lgydF4y2Ba (gydF4y2Ba {bgydF4y2Ba}_{2gydF4y2Ba},gydF4y2Ba ygydF4y2Ba)gydF4y2Ba -gydF4y2Ba 日志gydF4y2Ba lgydF4y2Ba (gydF4y2Ba {bgydF4y2Ba}_{1gydF4y2Ba},gydF4y2Ba ygydF4y2Ba)gydF4y2Ba)gydF4y2Ba 。gydF4y2Ba \end{array}$

渐近,gydF4y2BaDgydF4y2Ba卡方分布与自由度gydF4y2BavgydF4y2Ba等于参数的数量估计的差异gydF4y2Ba米gydF4y2Ba_1gydF4y2Ba和gydF4y2Ba米gydF4y2Ba_2gydF4y2Ba。你可以获得gydF4y2BapgydF4y2Ba这个测试通过使用价值gydF4y2Ba1 - chi2cdf (D, v)gydF4y2Ba。gydF4y2Ba

通常,您检查gydF4y2BaDgydF4y2Ba使用一个模型gydF4y2Ba米gydF4y2Ba_2gydF4y2Ba与一个常数项,没有预测。因此,gydF4y2BaDgydF4y2Ba有一个卡方分布gydF4y2BapgydF4y2Ba- 1gydF4y2Ba的自由度。如果分散估计,除以估计色散有差异gydF4y2BaFgydF4y2Ba分布与gydF4y2BapgydF4y2Ba- 1gydF4y2Ba分子的自由度gydF4y2BangydF4y2Ba- - - - - -gydF4y2BapgydF4y2Ba分母的自由度。gydF4y2Ba

计算矩阵gydF4y2Ba

一个条件矩阵gydF4y2BaTgydF4y2Ba是一个gydF4y2BatgydF4y2Ba————(gydF4y2BapgydF4y2Ba+ 1)矩阵指定术语在一个模型中,在那里gydF4y2BatgydF4y2Ba术语的数量,gydF4y2BapgydF4y2Ba预测变量的数量,+ 1占响应变量。的价值gydF4y2BaT (i, j)gydF4y2Ba是变量的指数吗gydF4y2BajgydF4y2Ba在术语gydF4y2Ba我gydF4y2Ba。gydF4y2Ba

例如,假设一个输入包括三个预测变量gydF4y2Bax1gydF4y2Ba,gydF4y2Bax2gydF4y2Ba,gydF4y2Bax3gydF4y2Ba和响应变量gydF4y2BaygydF4y2Ba的顺序gydF4y2Bax1gydF4y2Ba,gydF4y2Bax2gydF4y2Ba,gydF4y2Bax3gydF4y2Ba,gydF4y2BaygydF4y2Ba。每一行的gydF4y2BaTgydF4y2Ba代表一个术语:gydF4y2Ba

[0 0 0 0]gydF4y2Ba——常数项或拦截gydF4y2Ba
[0 1 0 0]gydF4y2Ba- - - - - -gydF4y2Bax2gydF4y2Ba;同样,gydF4y2Bax1 ^ 0 * x2 ^ 1 * x3 ^ 0gydF4y2Ba
(1 0 1 0)gydF4y2Ba- - - - - -gydF4y2Bax1 * x3gydF4y2Ba
(2 0 0 0)gydF4y2Ba- - - - - -gydF4y2Bax1 ^ 2gydF4y2Ba
[0 1 2 0]gydF4y2Ba- - - - - -gydF4y2Bax2 * (x3 ^ 2)gydF4y2Ba

的gydF4y2Ba0gydF4y2Ba的每一项代表了响应变量。一般来说,一个列向量的零矩阵代表反应变量的位置。如果你有预测和响应变量在一个矩阵列向量,然后你必须包括gydF4y2Ba0gydF4y2Ba为响应变量在每一行的最后一列。gydF4y2Ba

引用gydF4y2Ba

[1]麦克费登,丹尼尔。“有条件分对数分析定性选择行为。”gydF4y2Ba计量经济学前沿gydF4y2Ba,由p . Zarembka编辑,105 - 42。纽约:学术出版社,1974年。gydF4y2Ba

[2]Nagelkerke: j . D。“注意确定系数的一般定义。”gydF4y2Ba生物统计学gydF4y2Ba78年,没有。3 (1991):691 - 92。gydF4y2Ba

[3]Maddala, Gangadharrao年代。gydF4y2Ba在计量经济学Limited-Dependent和定性变量。gydF4y2Ba计量经济学社会专著。纽约:剑桥大学出版社,1983年。gydF4y2Ba

[4]考克斯·d·R。,E. J. Snell.二进制数据的分析。gydF4y2Ba第二版。专著应用概率统计和32。伦敦;纽约:查普曼和大厅,1989。gydF4y2Ba

[5]麦基,朗尼。“R 2措施基于瓦尔德和似然比联合测试意义。”gydF4y2Ba美国统计学家gydF4y2Ba44岁的没有。3(1990年8月):250 - 53年。gydF4y2Ba

扩展功能gydF4y2Ba

C / c++代码生成gydF4y2Ba
生成C和c++代码使用MATLAB®编码器™。gydF4y2Ba

使用笔记和限制:gydF4y2Ba

的gydF4y2Ba预测gydF4y2Ba和gydF4y2Ba随机gydF4y2Ba代码生成功能支持。金宝appgydF4y2Ba
当你适应模型通过使用gydF4y2BafitglmgydF4y2Ba或gydF4y2BastepwiseglmgydF4y2Ba,你就不能指定gydF4y2Ba链接gydF4y2Ba,gydF4y2Ba导数gydF4y2Ba,gydF4y2Ba逆gydF4y2Ba的字段gydF4y2Ba“链接”gydF4y2Ba名称-值对的论点是匿名函数。也就是说,您不能使用广义线性模型生成代码使用匿名函数来创建链接。相反,为链接组件定义函数。gydF4y2Ba

有关更多信息,请参见gydF4y2Ba介绍代码生成gydF4y2Ba。gydF4y2Ba

GPU数组gydF4y2Ba
加速代码运行在一个图形处理单元(GPU)使用并行计算工具箱™。gydF4y2Ba

使用笔记和限制:gydF4y2Ba

对象的功能gydF4y2BaGeneralizedLinearModelgydF4y2Ba模型完全支持GPU数组。金宝appgydF4y2Ba

有关更多信息,请参见gydF4y2Ba运行在GPU MATLAB函数gydF4y2Ba(并行计算工具箱)gydF4y2Ba。gydF4y2Ba

版本历史gydF4y2Ba

介绍了R2012agydF4y2Ba

另请参阅gydF4y2Ba

fitglmgydF4y2Ba|gydF4y2BastepwiseglmgydF4y2Ba|gydF4y2BaLinearModelgydF4y2Ba|gydF4y2BaNonLinearModelgydF4y2Ba|gydF4y2BaCompactGeneralizedLinearModelgydF4y2Ba

GeneralizedLinearModelgydF4y2Ba

描述gydF4y2Ba

创建gydF4y2Ba

属性gydF4y2Ba

系数估计gydF4y2Ba

CoefficientCovariancegydF4y2Ba- - - - - -gydF4y2Ba协方差矩阵的系数估计gydF4y2Ba数字矩阵gydF4y2Ba

CoefficientNamesgydF4y2Ba- - - - - -gydF4y2Ba系数的名字gydF4y2Ba单元阵列的特征向量gydF4y2Ba

系数gydF4y2Ba- - - - - -gydF4y2Ba系数值gydF4y2Ba表gydF4y2Ba

NumCoefficientsgydF4y2Ba- - - - - -gydF4y2Ba模型系数的数量gydF4y2Ba正整数gydF4y2Ba

NumEstimatedCoefficientsgydF4y2Ba- - - - - -gydF4y2Ba数量的估计系数gydF4y2Ba正整数gydF4y2Ba

摘要统计信息gydF4y2Ba

异常gydF4y2Ba- - - - - -gydF4y2Ba异常的配合gydF4y2Ba数值gydF4y2Ba

教育部gydF4y2Ba- - - - - -gydF4y2Ba自由度为错误gydF4y2Ba正整数gydF4y2Ba

诊断gydF4y2Ba- - - - - -gydF4y2Ba观察诊断gydF4y2Ba表gydF4y2Ba

分散gydF4y2Ba- - - - - -gydF4y2Ba方差比例因子的响应gydF4y2Ba数字标量gydF4y2Ba

DispersionEstimatedgydF4y2Ba- - - - - -gydF4y2Ba国旗表明分散尺度因子的使用gydF4y2Ba逻辑值gydF4y2Ba

安装gydF4y2Ba- - - - - -gydF4y2Ba根据输入数据拟合响应值gydF4y2Ba表gydF4y2Ba

LogLikelihoodgydF4y2Ba- - - - - -gydF4y2BaLoglikelihoodgydF4y2Ba数值gydF4y2Ba

ModelCriteriongydF4y2Ba- - - - - -gydF4y2Ba标准模型的比较gydF4y2Ba结构gydF4y2Ba

残差gydF4y2Ba- - - - - -gydF4y2Ba残差拟合模型gydF4y2Ba表gydF4y2Ba

RsquaredgydF4y2Ba- - - - - -gydF4y2Ba平方值的模型gydF4y2Ba结构gydF4y2Ba

上交所gydF4y2Ba- - - - - -gydF4y2Ba的平方误差的总和gydF4y2Ba数值gydF4y2Ba

苏维埃社会主义共和国gydF4y2Ba- - - - - -gydF4y2Ba回归平方和gydF4y2Ba数值gydF4y2Ba

风场gydF4y2Ba- - - - - -gydF4y2Ba总平方和gydF4y2Ba数值gydF4y2Ba

合适的信息gydF4y2Ba

步骤gydF4y2Ba- - - - - -gydF4y2Ba分段拟合的信息gydF4y2Ba结构gydF4y2Ba

输入数据gydF4y2Ba

分布gydF4y2Ba- - - - - -gydF4y2Ba广义分布信息gydF4y2Ba结构gydF4y2Ba

公式gydF4y2Ba- - - - - -gydF4y2Ba模型信息gydF4y2BaLinearFormulagydF4y2Ba对象gydF4y2Ba

链接gydF4y2Ba- - - - - -gydF4y2Ba链接功能gydF4y2Ba结构gydF4y2Ba

NumObservationsgydF4y2Ba- - - - - -gydF4y2Ba数量的观察gydF4y2Ba正整数gydF4y2Ba

NumPredictorsgydF4y2Ba- - - - - -gydF4y2Ba数量的预测变量gydF4y2Ba正整数gydF4y2Ba

NumVariablesgydF4y2Ba- - - - - -gydF4y2Ba数量的变量gydF4y2Ba正整数gydF4y2Ba

ObservationInfogydF4y2Ba- - - - - -gydF4y2Ba观测信息gydF4y2Ba表gydF4y2Ba

ObservationNamesgydF4y2Ba- - - - - -gydF4y2Ba观察的名字gydF4y2Ba单元阵列的特征向量gydF4y2Ba

抵消gydF4y2Ba- - - - - -gydF4y2Ba抵消变量gydF4y2Ba数值向量gydF4y2Ba

PredictorNamesgydF4y2Ba- - - - - -gydF4y2Ba名字适合使用的预测模型gydF4y2Ba单元阵列的特征向量gydF4y2Ba

ResponseNamegydF4y2Ba- - - - - -gydF4y2Ba响应变量名gydF4y2Ba特征向量gydF4y2Ba

VariableInfogydF4y2Ba- - - - - -gydF4y2Ba信息变量gydF4y2Ba表gydF4y2Ba

VariableNamesgydF4y2Ba- - - - - -gydF4y2Ba变量的名字gydF4y2Ba单元阵列的特征向量gydF4y2Ba

变量gydF4y2Ba- - - - - -gydF4y2Ba输入数据gydF4y2Ba表gydF4y2Ba

对象的功能gydF4y2Ba

创建gydF4y2BaCompactGeneralizedLinearModelgydF4y2Ba

添加或删除从广义线性模型gydF4y2Ba

预测的反应gydF4y2Ba

广义线性模型进行评估gydF4y2Ba

可视化广义线性模型和汇总统计gydF4y2Ba

收集广义线性模型的属性gydF4y2Ba

例子gydF4y2Ba

创建广义线性回归模型gydF4y2Ba

使用逐步回归创建广义线性回归模型gydF4y2Ba

更多关于gydF4y2Ba

规范的链接功能gydF4y2Ba

库克的距离gydF4y2Ba

利用gydF4y2Ba

帽子矩阵gydF4y2Ba

异常gydF4y2Ba

计算矩阵gydF4y2Ba

引用gydF4y2Ba

扩展功能gydF4y2Ba

C / c++代码生成gydF4y2Ba生成C和c++代码使用MATLAB®编码器™。gydF4y2Ba

GPU数组gydF4y2Ba加速代码运行在一个图形处理单元(GPU)使用并行计算工具箱™。gydF4y2Ba

版本历史gydF4y2Ba

另请参阅gydF4y2Ba

主题gydF4y2Ba

`CoefficientCovariancegydF4y2Ba`- - - - - -gydF4y2Ba协方差矩阵的系数估计gydF4y2Ba
数字矩阵gydF4y2Ba

`CoefficientNamesgydF4y2Ba`- - - - - -gydF4y2Ba系数的名字gydF4y2Ba
单元阵列的特征向量gydF4y2Ba

`系数gydF4y2Ba`- - - - - -gydF4y2Ba系数值gydF4y2Ba
表gydF4y2Ba

`NumCoefficientsgydF4y2Ba`- - - - - -gydF4y2Ba模型系数的数量gydF4y2Ba
正整数gydF4y2Ba

`NumEstimatedCoefficientsgydF4y2Ba`- - - - - -gydF4y2Ba数量的估计系数gydF4y2Ba
正整数gydF4y2Ba

`异常gydF4y2Ba`- - - - - -gydF4y2Ba异常的配合gydF4y2Ba
数值gydF4y2Ba

`教育部gydF4y2Ba`- - - - - -gydF4y2Ba自由度为错误gydF4y2Ba
正整数gydF4y2Ba

`诊断gydF4y2Ba`- - - - - -gydF4y2Ba观察诊断gydF4y2Ba
表gydF4y2Ba

`分散gydF4y2Ba`- - - - - -gydF4y2Ba方差比例因子的响应gydF4y2Ba
数字标量gydF4y2Ba

`DispersionEstimatedgydF4y2Ba`- - - - - -gydF4y2Ba国旗表明分散尺度因子的使用gydF4y2Ba
逻辑值gydF4y2Ba

`安装gydF4y2Ba`- - - - - -gydF4y2Ba根据输入数据拟合响应值gydF4y2Ba
表gydF4y2Ba

`LogLikelihoodgydF4y2Ba`- - - - - -gydF4y2BaLoglikelihoodgydF4y2Ba
数值gydF4y2Ba

`ModelCriteriongydF4y2Ba`- - - - - -gydF4y2Ba标准模型的比较gydF4y2Ba
结构gydF4y2Ba

`残差gydF4y2Ba`- - - - - -gydF4y2Ba残差拟合模型gydF4y2Ba
表gydF4y2Ba

`RsquaredgydF4y2Ba`- - - - - -gydF4y2Ba平方值的模型gydF4y2Ba
结构gydF4y2Ba

`上交所gydF4y2Ba`- - - - - -gydF4y2Ba的平方误差的总和gydF4y2Ba
数值gydF4y2Ba

`苏维埃社会主义共和国gydF4y2Ba`- - - - - -gydF4y2Ba回归平方和gydF4y2Ba
数值gydF4y2Ba

`风场gydF4y2Ba`- - - - - -gydF4y2Ba总平方和gydF4y2Ba
数值gydF4y2Ba

`步骤gydF4y2Ba`- - - - - -gydF4y2Ba分段拟合的信息gydF4y2Ba
结构gydF4y2Ba

`分布gydF4y2Ba`- - - - - -gydF4y2Ba广义分布信息gydF4y2Ba
结构gydF4y2Ba

`公式gydF4y2Ba`- - - - - -gydF4y2Ba模型信息gydF4y2Ba
`LinearFormulagydF4y2Ba`对象gydF4y2Ba

`链接gydF4y2Ba`- - - - - -gydF4y2Ba链接功能gydF4y2Ba
结构gydF4y2Ba

`NumObservationsgydF4y2Ba`- - - - - -gydF4y2Ba数量的观察gydF4y2Ba
正整数gydF4y2Ba

`NumPredictorsgydF4y2Ba`- - - - - -gydF4y2Ba数量的预测变量gydF4y2Ba
正整数gydF4y2Ba

`NumVariablesgydF4y2Ba`- - - - - -gydF4y2Ba数量的变量gydF4y2Ba
正整数gydF4y2Ba

`ObservationInfogydF4y2Ba`- - - - - -gydF4y2Ba观测信息gydF4y2Ba
表gydF4y2Ba

`ObservationNamesgydF4y2Ba`- - - - - -gydF4y2Ba观察的名字gydF4y2Ba
单元阵列的特征向量gydF4y2Ba

`抵消gydF4y2Ba`- - - - - -gydF4y2Ba抵消变量gydF4y2Ba
数值向量gydF4y2Ba

`PredictorNamesgydF4y2Ba`- - - - - -gydF4y2Ba名字适合使用的预测模型gydF4y2Ba
单元阵列的特征向量gydF4y2Ba

`ResponseNamegydF4y2Ba`- - - - - -gydF4y2Ba响应变量名gydF4y2Ba
特征向量gydF4y2Ba

`VariableInfogydF4y2Ba`- - - - - -gydF4y2Ba信息变量gydF4y2Ba
表gydF4y2Ba

`VariableNamesgydF4y2Ba`- - - - - -gydF4y2Ba变量的名字gydF4y2Ba
单元阵列的特征向量gydF4y2Ba

`变量gydF4y2Ba`- - - - - -gydF4y2Ba输入数据gydF4y2Ba
表gydF4y2Ba

创建gydF4y2Ba`CompactGeneralizedLinearModelgydF4y2Ba`

C / c++代码生成gydF4y2Ba
生成C和c++代码使用MATLAB®编码器™。gydF4y2Ba

GPU数组gydF4y2Ba
加速代码运行在一个图形处理单元(GPU)使用并行计算工具箱™。gydF4y2Ba