PCR_PARAM - Coeficientes de PCR

Calcula valores de los coeficeintes de regresión para las variables de entrada dados.

 

Sintaxis

PCR_PARAM(X, Mask, Y, Intercept, Return_type, Parameter Index, Alpha)

X es la matriz de datos de variables independientes, de manera que cada columna representa una variable.

Mask es la matriz booleana para escoger variables explicativas en el modelo. Si falta, todas las variables en X son incluidas.

Y es la respuesta o array de datos de variables dependientes (un array unidimensional de celdas (Ej. filas o columnas)).

Intercept es la constante o el valor del intercepto para corregir (Ej.cero). Si falta, un intercepto no será corregido y sera calculado normalmente.

Return_type es un switch para seleccionar las salidas de respuesta(1 = valor (defecto), 2 = error estd., 3 = Valor T- estadístico, 4 = Valor P, 5 = límite superior (CI), 6 = límite inferior (CI))

Método Descripción
1 Valor de la media
2 Error estándar
3 Valor T- estadístico
4 Valor P
5 límite superior
6 límite inferior

Parameter Index Es un switch para designar el parametro objetivo (0 = intercepto (defecto), 1 = primera variable, 2 = 2da variable, etc.).

Alpha es la significancia estadística de la prueba (Ej. alpha). Si falta o es omitida, se toma un valor alpha de 5%.

 

Observaciones

  1. El modelo subyacente se describe aquí.
  2. $$ \mathbf{y} = \mathbf{X}\boldsymbol\beta + \boldsymbol\varepsilon $$

    $$\hat{\boldsymbol\beta} = (\mathbf{X}^{\rm T}\mathbf{X})^{-1} \mathbf{X}^{\rm T}\mathbf{y} = \big(\, \tfrac{1}{n}{\textstyle\sum} \mathbf{x}_i \mathbf{x}^{\rm T}_i \,\big)^{-1} \big(\, \tfrac{1}{n}{\textstyle\sum} \mathbf{x}_i y_i \,\big).$$

    Where:
    • $\hat{\boldsymbol\beta}$ es el coeficiente de regresión estimado.
  3. Los datos de la muestra pueden incluir valores faltantes.
  4. Cada columna en la matriz corresponde a una variable independiente
  5. Cada fila en la matriz de entrada corresponde a una observación.
  6. Observaciones (Ej.filas) con valores faltantes en X o Y son eliminados.
  7. Observaciones (Ej.filas) con valores faltantes en X o Y son eliminados.
  8. La función MLR_PARAM está disponible comenzando con la versión 1.60 APACHE.

Ejemplos de archivos

Referencias

  • Hamilton, J .D.; Time Series Analysis , Princeton University Press (1994), ISBN 0-691-04289-6
  • Kenney, J. F. and Keeping, E. S. (1962) "Linear Regression and Correlation." Ch. 15 in Mathematics of Statistics, Pt. 1, 3rd ed. Princeton, NJ: Van Nostrand, pp. 252-285
¿Tiene más preguntas? Enviar una solicitud

0 Comentarios