Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

aoctool

El análisis interactivo de la covarianza

Sintaxis

aoctool(x,y,group)
aoctool(x,y,group,alpha)
aoctool(x,y,group,alpha,xname,yname,gname)
aoctool(x,y,group,alpha,xname,yname,gname,displayopt)
aoctool(x,y,group,alpha,xname,yname,gname,displayopt,model)
h = aoctool(...)
[h,atab,ctab] = aoctool(...)
[h,atab,ctab,stats] = aoctool(...)

Descripción

aoctool(x,y,group) se ajusta a una línea independiente a los vectores de columna y, para cada grupo definido por los valores de la matriz. puede ser una variable categórica, un vector numérico, una matriz de caracteres, una matriz de cadenas o una matriz de vectores de caracteres.xygroupgroup Estos tipos de modelos se conocen como un análisis unidireccional de los modelos de covarianza (ANOCOVA). La salida consta de tres figuras:

  • Un gráfico interactivo de las curvas de datos y predicción

  • Una tabla ANOVA

  • Una tabla de estimaciones de parámetros

Puede utilizar las figuras para cambiar los modelos y para probar diferentes partes del modelo. Más información sobre el uso interactivo de la función aparece en.aoctoolAnálisis de la herramienta de covarianza

aoctool(x,y,group,alpha) determina los niveles de confianza de los intervalos de predicción. El nivel de confianza es%.100(1-alpha) El valor predeterminado es 0,05.alpha

aoctool(x,y,group,alpha,xname,yname,gname) especifica el nombre que se utilizará para el, y las variables en el gráfico y las tablas.xyg Si introduce nombres de variables simples para el, y argumentos, la función utiliza esos nombres. xygaoctool Si escribe una expresión para uno de estos argumentos, puede especificar un nombre para utilizarlo en lugar de esa expresión proporcionando estos argumentos. Por ejemplo, si escribe como argumento, puede optar por escribir como argumento.m(:,2)x 'Col 2'xname

aoctool(x,y,group,alpha,xname,yname,gname,displayopt) permite que el gráfico y la tabla se muestre cuando displayopt es (valor predeterminado) y suprime esas visualizaciones cuando'on' displayopt Es.'off'

aoctool(x,y,group,alpha,xname,yname,gname,displayopt,model) especifica el modelo inicial que se ajusta. El valor de model puede ser cualquiera de los siguientes:

  • — Ajustar una sola media, ignorando la agrupación'same mean'

  • — Ajuste una media separada para cada grupo'separate means'

  • — Ajustar una sola línea, ignorando la agrupación'same line'

  • — Ajuste una línea separada a cada grupo, pero restrinja las líneas para que sean paralelas'parallel lines'

  • — Ajuste una línea separada a cada grupo, sin restricciones'separate lines'

h = aoctool(...) Devuelve un vector de identificadores a los objetos de línea del trazado.

[h,atab,ctab] = aoctool(...) devuelve matrices de celdas que contienen las entradas de la tabla ANOVA () y la tabla de estimaciones de coeficiente ().atabctab (Puede copiar una versión de texto de cualquiera de las tablas en el portapapeles mediante el Copy Text elemento en el menú.)Edit

[h,atab,ctab,stats] = aoctool(...) Devuelve una estructura que puede usar para realizar una prueba de comparación múltiple de seguimiento.stats La salida de la tabla ANOVA incluye pruebas de las hipótesis de que las pendientes o interceptaciones son todas iguales, contra una alternativa general que no son todas iguales. A veces es preferible realizar una prueba para determinar qué pares de valores son significativamente diferentes, y cuáles no. Puede utilizar la función para realizar dichas pruebas suministrando la estructura como entrada.multcomparestats Puede probar las pendientes, los interceptos o los medios marginales de población (las alturas de las curvas en el valor medio).x

Ejemplos

Este ejemplo ilustra cómo ajustar diferentes modelos de forma no interactiva. Después de cargar el conjunto de datos de automóvil más pequeño y de ajustar un modelo de pistas separadas, puede examinar las estimaciones de coeficiente.

load carsmall [h,a,c,s] = aoctool(Weight,MPG,Model_Year,0.05,...                     '','','','off','separate lines'); c(:,1:2) ans =    'Term'       'Estimate'   'Intercept'  [45.97983716833132]   ' 70'        [-8.58050531454973]   ' 76'        [-3.89017396094922]   ' 82'        [12.47067927549897]   'Slope'      [-0.00780212907455]   ' 70'        [ 0.00195840368824]   ' 76'        [ 0.00113831038418]   ' 82'        [-0.00309671407243]

En términos generales, las líneas relativas a tener una intercepción cerca de 45,98 y una pendiente cercana a-0,0078.MPGWeight Los coeficientes de cada grupo se compensan de estos valores un poco. Por ejemplo, la intercepción para los coches fabricados en 1970 es 45.98-8.58 = 37,40.

A continuación, pruebe un ajuste con líneas paralelas. (La tabla ANOVA muestra que el ajuste de las líneas paralelas es significativamente peor que el ajuste de las líneas separadas.)

[h,a,c,s] = aoctool(Weight,MPG,Model_Year,0.05,...                     '','','','off','parallel lines');  c(:,1:2)  ans =     'Term'       'Estimate'   'Intercept'  [43.38984085130596]   ' 70'        [-3.27948192983761]   ' 76'        [-1.35036234809006]   ' 82'        [ 4.62984427792768]   'Slope'      [-0.00664751826198]

Una vez más, hay diferentes Interceptas para cada grupo, pero esta vez las pendientes están restringidas para ser la misma.

Consulte también

| |

Introducido antes de R2006a