r.regression.multigrass - Online di Cloud

PROGRAM:

NAMA

r.regress.multi - Menghitung regresi linier berganda dari peta raster.

KEYWORDS

raster, statistik, regresi

RINGKASAN

r.regress.multi
r.regress.multi --membantu
r.regress.multi [-g] petax=nama[,nama,...] peta=nama [residu=nama]
[perkiraan=nama] [keluaran=nama] [--menimpa] [--membantu] [--bertele-tele] [--tenang] [--ui]

Bendera:
-g
Cetak dalam gaya skrip shell

--timpa
Izinkan file keluaran untuk menimpa file yang ada

--membantu
Cetak ringkasan penggunaan

--bertele-tele
Keluaran modul verbose

--diam
Keluaran modul yang tenang

--ui
Paksa meluncurkan dialog GUI

Parameter:
petax=nama[,nama,...] [yg dibutuhkan]
Peta untuk koefisien x

peta=nama [yg dibutuhkan]
Peta untuk koefisien y

residu=nama
Peta untuk menyimpan residu

perkiraan=nama
Peta untuk menyimpan perkiraan

keluaran=nama
File ASCII untuk menyimpan koefisien regresi (output ke layar jika file tidak
ditentukan).

DESKRIPSI

r.regress.multi menghitung regresi linier berganda dari peta raster, menurut
rumusnya
Y = b0 + jumlah(bi*Xi) + E
dimana
X = {X1, X2, ..., Xm}
m = jumlah variabel yang menjelaskan
Y = {y1, y2, ..., yn}
Xi = {xi1, xi2, ..., xin}
E = {e1, e2, ..., id}
n = jumlah observasi (kasus)
Dalam notasi R:
Y ~ jumlah(bi*Xi)
b0 adalah intersep, X0 diatur ke 1

r.regress.multi dirancang untuk kumpulan data besar yang tidak dapat diproses di R. A p
nilai karena itu tidak diberikan, karena bahkan sangat kecil, efek tidak berarti akan menjadi
signifikan dengan jumlah sel yang banyak. Sebaliknya dianjurkan untuk menilai oleh
penduga b, jumlah varians yang dijelaskan (R kuadrat untuk variabel tertentu) dan
gain di AIC (AIC tanpa variabel tertentu dikurangi AIC global harus positif) apakah
dimasukkannya variabel penjelas yang diberikan dalam model dibenarkan.

The global model
The b koefisien (b0 offset), R kuadrat atau koefisien determinasi (Rsq) dan F
identik dengan yang diperoleh dari fungsi lm() R-stats dan anova() R-stats
fungsi. Nilai AIC identik dengan yang diperoleh dari fungsi stepAIC() R-stats
(dalam hal melangkah mundur, identik dengan nilai Mulai). Nilai AIC dikoreksi untuk
jumlah variabel penjelas dan nilai BIC (Bayesian Information Criterion)
mengikuti logika AIC.

The menjelaskan variabel
R kuadrat untuk setiap variabel yang menjelaskan mewakili jumlah tambahan yang dijelaskan
varians ketika memasukkan variabel ini dibandingkan dengan ketika mengecualikan variabel ini, yaitu,
jumlah varians ini dijelaskan oleh variabel penjelas saat ini setelah memperhitungkan
mempertimbangkan semua variabel penjelas lainnya.

Skor F untuk setiap variabel yang menjelaskan memungkinkan pengujian jika dimasukkannya variabel ini
secara signifikan meningkatkan kekuatan menjelaskan model, relatif terhadap model global
tidak termasuk variabel yang menjelaskan ini. Itu berarti bahwa nilai F untuk penjelasan yang diberikan
variabel hanya identik dengan nilai F dari fungsi-R ringkasan.aov jika diberikan
variabel penjelas adalah variabel terakhir dalam rumus R. Sedangkan R berturut-turut termasuk
satu demi satu variabel dalam urutan yang ditentukan oleh rumus dan pada setiap langkah
menghitung nilai F yang menyatakan keuntungan dengan memasukkan variabel saat ini sebagai tambahan
ke variabel sebelumnya, r.regress.multi menghitung nilai-F yang menyatakan keuntungan
dengan memasukkan variabel saat ini di samping semua variabel lainnya, tidak hanya
variabel sebelumnya.

Nilai AIC identik dengan yang diperoleh dari fungsi R stepAIC() ketika
mengecualikan variabel ini dari model penuh. Nilai AIC dikoreksi untuk jumlah
menjelaskan variabel dan nilai BIC (Bayesian Information Criterion) mengikuti
logika AIC. BIC identik dengan fungsi R stepAIC dengan k = log(n). AICc tidak
tersedia melalui fungsi R stepAIC.

CONTOH

Regresi berganda dengan faktor K tanah dan elevasi, aspek, dan kemiringan (North Carolina
Himpunan data). Peta keluaran adalah sisa dan perkiraan:
g.region raster=tanah_Kfactor -p
r.regression.multi mapx=elevasi,aspek,kemiringan mapy=soils_Kfactor \
residuals=soils_Kfactor.resid perkiraan=soils_Kfactor.estim

Gunakan r.regression.multigrass online menggunakan layanan onworks.net