主要内容

coefTest

线性假设检验在广义线性回归模型系数

所有的页面崩溃

语法

p = coefTest (mdl)
H p = coefTest (mdl)
p = coefTest (mdl H, C)
[p F] = coefTest (___)
[p F r] = coefTest (___)

描述

例子

p= coefTest (mdl)计算p价值的F测试所有的系数估计mdl,除了截距项,为零。

例子

p= coefTest (mdl,H)执行一个F以及,H×B= 0,在那里B代表的系数向量。使用H指定系数中包含F以及。

p= coefTest (mdl,H,C)执行一个F以及,H×B=C。

(p,F)= coefTest (___)还返回F以及统计数据F使用任何输入参数组合在以前的语法。

(p,F,r)= coefTest (___)还返回分子自由度r的测试。

例子

全部折叠

打开生活的脚本

符合广义线性回归模型和测试拟合模型的系数是否不同于零。

使用泊松随机数生成样本数据有两个潜在的预测因子X (: 1)和X (:, 2)。

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

创建一个广义泊松数据的线性回归模型。

mdl = fitglm (X, y,“y ~ x1 + x2”,“分布”,“泊松”)
mdl =广义线性回归模型:日志(y) ~ 1 + x1 + x2 =泊松分布估计系数:估计SE tStat pValue ________ _____交(拦截)1.0405 0.022122 47.034 0 x1 0 x2 0 1.987 0.0063433 313.24 100 0.9968 0.003362 296.49观察,97错误自由度色散:1 x ^ 2-statistic与常数模型:2.95 e + 05, p值= 0

测试安装是否模型系数,明显的区别于零。

p = coefTest (mdl)
p = 4.1131 e - 153

小p值表明,模型适合明显好于退化模型只有一个截距项组成。

打开生活的脚本

符合广义线性回归模型和测试指定的重要性系数的拟合模型。

使用泊松随机数生成样本数据有两个潜在的预测因子X (: 1)和X (:, 2)。

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

创建一个广义泊松数据的线性回归模型。

mdl = fitglm (X, y,“y ~ x1 + x2”,“分布”,“泊松”)
mdl =广义线性回归模型:日志(y) ~ 1 + x1 + x2 =泊松分布估计系数:估计SE tStat pValue ________ _____交(拦截)1.0405 0.022122 47.034 0 x1 0 x2 0 1.987 0.0063433 313.24 100 0.9968 0.003362 296.49观察,97错误自由度色散:1 x ^ 2-statistic与常数模型:2.95 e + 05, p值= 0

测试的重要性x1系数。根据这个模型显示,x1是第二个预测。指定使用数字索引向量的系数。

p = coefTest (mdl [0 1 0])
p = 2.8681 e - 145

返回的p值表明x1在拟合模型具有统计学意义。

输入参数

全部折叠

广义线性回归模型,指定为一个GeneralizedLinearModel对象创建使用fitglm或stepwiseglm,或者一个CompactGeneralizedLinearModel对象创建使用紧凑的。

假设矩阵,作为指定r——- - - - - -年代数字索引矩阵,r包括在一个系数的数量吗F以及,年代系数的总数。

  • 如果您指定H,然后输出p是p价值的F以及,H×B= 0,在那里B代表的系数向量。

  • 如果您指定H和C,然后输出p是p价值的F以及,H×B=C。

例子:(1 0 0 0 0)测试第一个系数中五个系数。

数据类型:单|双

测试零假设,假设值指定为一个数值向量具有相同的行数H。

如果您指定H和C,然后输出p是p价值的F以及,H×B=C,在那里B代表的系数向量。

数据类型:单|双

输出参数

全部折叠

p价值的F以及,返回的数值区间[0,1]。

检验统计量的值F以及,返回数值。

分子的自由度F以及,作为一个正整数返回。的F统计了r在分子和自由度mdl.DFE自由度分母。

算法

的p值,F统计,分子的自由度是有效的在这些假设:

  • 数据来自一个模型的公式来表示公式拟合模型的属性。

  • 观察结果是独立的,有条件的预测价值。

在这些假设下,让β代表(未知)的线性回归系数向量。假设H是一个满秩矩阵的大小r——- - - - - -年代,在那里r包括在一个系数的数量吗F以及,年代系数的总数。让c一个列向量r行。下面是一个假设检验统计量Hβ=c:

F = ( H β ^ − c ) ′ ( H V H ′ ) − 1 ( H β ^ − c ) 。

在这里 β ^ 的估计系数向量β,存储在系数财产,V的估计协方差系数估计,存储在吗CoefficientCovariance财产。假设成立时,检验统计量F有一个F分布与r和u自由度,u是错误的自由度,存储在吗教育部财产。

选择功能

的值常用的测试数据是可用的系数拟合模型的属性。

扩展功能

另请参阅

||||

主题

介绍了R2012a

统计和机器学习工具箱文档

金宝app

掌握机器学习:一个循序渐进的指导与MATLAB

掌握机器学习:一个循序渐进的指导与MATLAB

下载电子书