线性回归概论

什么是线性回归模型?

回归模型描述一个因变量和一个或多个自变量之间的关系。

线性回归

拟合线性回归模型并检验结果。

逐步回归

在逐步回归中，预测器被自动添加到模型中或从模型中修剪。

使用稳健回归降低离群值影响

拟合一个稳健的模型，该模型对一小部分数据的大变化比普通最小二乘法更不敏感。

选择回归函数

根据回归问题的类型选择回归函数，并使用新的拟合函数更新遗留代码。

输出和诊断统计的摘要

利用模型属性和对象函数对拟合模型进行评估。

威尔金森符号

威尔金森表示法提供了一种描述回归和重复测量模型的方法，而无需指定系数值。

线性回归的工作流

线性回归的工作流

导入并准备数据，拟合线性回归模型，检验并提高模型质量，共享模型。

解释线性回归结果

显示和解释线性回归输出统计数据。

具有交互作用的线性回归

建立并分析线性回归模型的交互作用，并解释结果。

使用表格的线性回归

这个示例展示了如何使用表执行线性和逐步回归分析。

线性回归与范畴协变量

使用分类数组和执行分类协变量回归fitlm．

分析时间序列数据

这个例子展示了如何可视化和分析时间序列数据使用timeseries对象和回归函数。

训练线性回归模型

使用。训练线性回归模型fitlm分析内存中的数据和内存外的数据。

偏最小二乘回归

偏最小二乘

偏最小二乘(PLS)在考虑观测响应值的同时，将原预测变量作为线性组合构造新的预测变量，使模型具有可靠的预测能力。

偏最小二乘回归和主成分回归

应用偏最小二乘回归(PLSR)和主成分回归(PCR)，探讨两种方法的有效性。