移除

从广义线性回归模型中删除项

折叠所有页面

语法

NewMdl=removems（mdl，术语）

描述

实例

新MDL=removems(mdl,条款)返回使用中的输入数据和设置拟合的广义线性回归模型mdl有条件条款远离的。

例子

全部崩溃

从广义线性回归模型中删除项

打开实时脚本

使用两个预测因子创建广义线性回归模型，然后删除一个预测因子。

使用具有两个基本预测值的泊松随机数生成样本数据X（：，1）和X（：，2）.

rng(“默认”)%为了再现性rndvars=randn（100,2）；X=[2+rndvars（：，1），rndvars（：，2）]；mu=exp（1+X*[1；2]）；y=poissrnd（mu）；

创建泊松数据的广义线性回归模型。

mdl=fitglm（X，y，‘y~x1+x2’,“分配”,“泊松”)

mdl=广义线性回归模型：对数（y）~1+x1+x2分布=泊松估计系数：估计值为pValue（截距）1.0405 0.022122 47.034 0 x1 0.9968 0.003362 296.49 0 x2 1.987 0.0063433 313.24 0 100个观测值，97个误差自由度离散度：1 Chi^2-统计与常数模型：2.95e+05，p值=0

从模型中删除第二个预测器。

mdl1=最小最小最小值（mdl，“x2”)

mdl1=广义线性回归模型：对数（y）~1+x1分布=泊松估计系数：估计自回归pValue uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu（截距）2.7784 0.014014043 197.85 0 x1 1.1732 0.0033653 348.6 0 100个观测值，98个误差自由度离散度：1 Chi^2-统计常数模型：1.25e+0，p=0.05

输入参数

全部崩溃

`mdl`—广义线性回归模型
`广义线性模型`对象

广义线性回归模型，指定为广义线性模型使用创建的对象菲特格姆或逐步GLM.

`条款`—要从回归模型中删除的术语
威尔金森表示法中的字符向量或字符串标量公式|T-借-P术语矩阵

要从回归模型中删除的术语mdl，指定为以下内容之一：

中的字符向量或字符串标量公式威尔金森符号表示一个或多个术语。公式中的变量名必须有效^®标识符。
术语矩阵T大小T-借-P哪里T是术语和术语的数目P是中的预测变量数mdl.价值T（i，j）是变量的指数J长期我.
例如，假设mdl有三个变量A.,B和C按那个顺序。每行T表示一个术语：
- [0 0 0]-常数项或截距
- [0 1 0]—B；相当于，A^0*B^1*C^0
- [1 0 1]—A*C
- [2 0 0]—A^2
- [0 1 2]—B*（C^2）

移除将分类预测值的一组指标变量视为单个变量。因此，不能指定要从模型中删除的指标变量。如果指定要从模型中删除的分类预测值，移除一步移除预测器的一组指标变量。

输出参数

全部崩溃

`新MDL`-少项广义线性回归模型
`广义线性模型`对象

具有较少项的广义线性回归模型，返回为广义线性模型对象新MDL是使用中的输入数据和设置的新安装型号mdl按照本协议中规定的条款条款从mdl.

覆盖输入参数的步骤mdl，将新安装的模型分配给mdl:

mdl=移动设备（mdl，术语）；

威尔金森符号	标准符号中的术语
`1.`	常数（截距）项
`x1^k`哪里`K`是一个正整数	`x1`,`x1^2.`, ...,`x1^K`
`x1+x2`	`x1`,`x2`
`x1*x2`	`x1`,`x2`,`x1*x2`
`x1:x2`	`x1*x2`只有
`–x2`	不包括`x2`
`x1*x2+x3`	`x1`,`x2`,`x3`,`x1*x2`
`x1+x2+x3+x1:x2`	`x1`,`x2`,`x3`,`x1*x2`
`x1x2x3–x1:x2:x3`	`x1`,`x2`,`x3`,`x1x2`,`x1x3`,`x2*x3`
`x1*（x2+x3）`	`x1`,`x2`,`x3`,`x1x2`,`x1x3`

算法

移除将分类预测值处理如下：
- 具有分类预测因子的模型L级别（类别）包括L– 1指标变量。模型使用第一个类别作为参考级别，因此不包括参考级别的指标变量。如果分类预测值的数据类型为明确的，然后您可以使用类别并使用重装猫自定义参考级别。有关创建指标变量的更多详细信息，请参阅虚拟变量的自动创建.
- 移除治疗组L– 1指标变量作为单个变量。如果要将指标变量视为不同的预测变量，请使用手动创建指标变量杜姆瓦尔。然后，在拟合模型时，使用指标变量，但与分类变量参考水平相对应的变量除外。对于分类预测值X，如果指定dummyvar（X）和截距项作为预测器，则设计矩阵变得秩亏。
- 连续预测器和分类预测器之间的相互作用项L级别由以下元素的元素级产品组成：L– 1具有连续预测器的指标变量。
- 两个分类预测因子之间的相互作用项L和M级别包括(L– 1)*(M– 1)指标变量包括两个分类预测水平的所有可能组合。
- 不能为分类预测值指定高阶项，因为指标的平方等于自身。