Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.
Cree un modelo de regresión lineal generalizado mediante la regresión escalonada
crea un modelo lineal generalizado de una tabla o matriz de DataSet mediante regresión escalonada para agregar o quitar predictores, comenzando desde un modelo constante. utiliza la última variable de como variable de respuesta. utiliza la regresión escalonada hacia delante y hacia atrás para determinar un modelo final.mdl
= stepwiseglm(tbl
)tbl
stepwiseglm
tbl
stepwiseglm
En cada paso, la función busca términos para agregar el modelo o quitar del modelo, en función del valor del argumento.'Criterion'
especifica opciones adicionales mediante uno o varios argumentos de par nombre-valor. Por ejemplo, puede especificar las variables categóricas, el conjunto de términos más pequeño o más grande que se usará en el modelo, el número máximo de pasos que se debe realizar o el criterio que se usa para agregar o quitar términos.mdl
= stepwiseglm(___,modelspec
,Name,Value
)stepwiseglm
El modelo lineal generalizado es un modelo lineal estándar a menos que especifique lo contrario con el par nombre-valor.mdl
Distribution
Para otros métodos como, o propiedades del objeto, vea.devianceTest
GeneralizedLinearModel
GeneralizedLinearModel
Después de entrenar un modelo, puede generar código de C/C++ que predice las respuestas de los nuevos datos. La generación de código C/C++ requiere MATLAB®Coder™. Para obtener más información, consulte.Introducción a la generación de código
es un método sistemático para agregar y eliminar términos de un modelo lineal lineal o generalizado basado en su significancia estadística al explicar la variable de respuesta.Regresión stepwise El método comienza con un modelo inicial, especificado utilizando y, a continuación, compara la potencia explicativa de los modelos incrementalmente más grandes y más pequeños.modelspec
el stepwiseglm
función utiliza la regresión escalonada hacia delante y hacia atrás para determinar un modelo final. En cada paso, la función busca términos para agregar al modelo o quitar del modelo en función del valor del argumento de par nombre-valor.'Criterion'
El valor predeterminado de un modelo de regresión lineal es.'Criterion'
'sse'
En este caso, y de usar el-valor de una estadística para probar modelos con y sin un término potencial en cada paso.stepwiselm
step
LinearModel
pF Si un término no está actualmente en el modelo, la hipótesis nula es que el término tendría un coeficiente cero si se agrega al modelo. Si hay pruebas suficientes para rechazar la hipótesis nula, la función agrega el término al modelo. Por el contrario, si un término está actualmente en el modelo, la hipótesis nula es que el término tiene un coeficiente cero. Si no hay pruebas suficientes para rechazar la hipótesis nula, la función elimina el término del modelo.
La regresión stepwise toma estos pasos cuando es:'Criterion'
'sse'
Ajuste el modelo inicial.
Examine un conjunto de términos disponibles que no estén en el modelo. Si alguno de los términos tiene-valores menores que una tolerancia de entrada (es decir, si es improbable que un término tenga un coeficiente cero si se agrega al modelo), agregue el término con el valor más pequeño y repita este paso; de lo contrario, vaya al paso 3.pp
Si cualquiera de los términos disponibles en el modelo tiene valores mayores que una tolerancia de salida (es decir, la hipótesis de un coeficiente cero no puede rechazarse), quite el término con el valor más grande y regrese al paso 2; de lo contrario, finalice el proceso.pp
En cualquier momento, la función no agregará un término de orden superior si el modelo no incluye también todos los términos de orden inferior que son subconjuntos del término de orden superior. Por ejemplo, la función no intentará agregar el término a menos que ambos y ya estén en el modelo.X1:X2^2
X1
X2^2
De forma similar, la función no eliminará los términos de orden inferior que son subconjuntos de términos de orden superior que permanecen en el modelo. Por ejemplo, la función no intentará quitar o si permanece en el modelo.X1
X2^2
X1:X2^2
El valor predeterminado de para un modelo lineal generalizado es. y de seguir un procedimiento similar para añadir o eliminar términos.'Criterion'
'Deviance'
stepwiseglm
step
GeneralizedLinearModel
Puede especificar otros criterios mediante el argumento de par nombre-valor.'Criterion'
Por ejemplo, puede especificar el cambio en el valor del criterio de información de Akaike, el criterio de información Bayesiana, el R cuadrado o el R cuadrado ajustado como criterio para añadir o eliminar términos.
Según los términos incluidos en el modelo inicial y el orden en que la función agrega y quita términos, la función podría crear diferentes modelos del mismo conjunto de términos potenciales. La función finaliza cuando ningún único paso mejora el modelo. Sin embargo, un modelo inicial diferente o una secuencia diferente de pasos no garantiza un mejor ajuste. En este sentido, los modelos escalonado son localmente óptimos, pero podrían no ser globalmente óptimos.
stepwiseglm
trata un predictor categórico de la siguiente manera:
Un modelo con un predictor categórico que tiene niveles (categorías) incluyeL L – 1 variables indicadoras. El modelo utiliza la primera categoría como nivel de referencia, por lo que no incluye la variable indicadora para el nivel de referencia. Si el tipo de datos del predictor categórico es, a continuación, puede comprobar el orden de las categorías mediante el uso y reordenar las categorías mediante el uso para personalizar el nivel de referencia.Categórico
categories
reordercats
stepwiseglm
trata al grupo de L – 1 variables indicadoras como una sola variable. Si desea tratar las variables indicadoras como variables predictoras distintas, cree las variables indicadoras manualmente utilizando.dummyvar
A continuación, utilice las variables indicadoras, excepto la correspondiente al nivel de referencia de la variable categórica, al ajustar un modelo. Para el predictor categórico, si especifica todas las columnas y un término de intercepción como predictores, la matriz de diseño se convierte en deficiente de rango.X
dummyvar(X)
Los términos de interacción entre un predictor continuo y un predictor categórico con niveles consisten en el producto elemento-sabio delL L – 1 variables indicadoras con el predictor continuo.
Los términos de interacción entre dos predictores categóricos y los niveles consisten en laLM (L – 1)*(M – 1) variables indicadoras para incluir todas las combinaciones posibles de los dos niveles predictores categóricos.
No puede especificar términos de orden superior para un predictor categórico porque el cuadrado de un indicador es igual a sí mismo.
Por lo tanto, si stepwiseglm
agrega o elimina un predictor categórico, la función realmente agrega o elimina el grupo de variables indicadoras en un paso. Del mismo modo, si stepwiseglm
agrega o quita un término de interacción con un predictor categórico, la función realmente agrega o quita el grupo de términos de interacción, incluido el predictor categórico.
stepwiseglm
considera, (vector de carácter vacío), (cadena vacía), y valores en,, y que faltan valores.NaN
''
""
<missing>
<undefined>
tbl
X
Y
stepwiseglm
no utiliza observaciones con valores faltantes en el ajuste. La propiedad de un modelo ajustado indica siObservationInfo
stepwiseglm
utiliza cada observación en el ajuste.
Se utiliza para crear un modelo con una especificación fija.fitglm
Uso step
, addTerms
O removeTerms
para ajustar un modelo ajustado.
[1] Collett, D. Modeling Binary Data. New York: Chapman & Hall, 2002.
[2] Dobson, A. J. An Introduction to Generalized Linear Models. New York: Chapman & Hall, 1990.
[3] McCullagh, P., and J. A. Nelder. Generalized Linear Models. New York: Chapman & Hall, 1990.