r.regression.multigrass - Dalam Talian di Awan

JADUAL:

NAMA

r.regresi.berbilang - Mengira regresi linear berbilang daripada peta raster.

Kata-kata berkaitan

raster, statistik, regresi

SINOPSIS

r.regresi.berbilang
r.regresi.berbilang - membantu
r.regresi.berbilang [-g] mapx=nama[,nama,...] peta=nama [baki=nama]
[anggaran=nama] [output=nama] [--menimpa] [--membantu] [--kata kerja] [--tenang] [--ui]

Bendera:
-g
Cetak dalam gaya skrip shell

--tulis ganti
Benarkan fail output untuk menulis ganti fail sedia ada

- membantu
Cetak ringkasan penggunaan

--verbose
Keluaran modul verbose

--senyap
Keluaran modul senyap

--ui
Paksa melancarkan dialog GUI

Parameter:
mapx=nama [, nama,...] [diperlukan]
Peta untuk pekali x

peta=nama [diperlukan]
Peta untuk pekali y

baki=nama
Peta untuk menyimpan sisa

anggaran=nama
Peta untuk menyimpan anggaran

output=nama
Fail ASCII untuk menyimpan pekali regresi (output ke skrin jika fail tidak
ditentukan).

DESCRIPTION

r.regresi.berbilang mengira regresi linear berganda daripada peta raster, mengikut
formula
Y = b0 + jumlah(bi*Xi) + E
di mana
X = {X1, X2, ..., Xm}
m = bilangan pembolehubah yang menerangkan
Y = {y1, y2, ..., yn}
Xi = {xi1, xi2, ..., xin}
E = {e1, e2, ..., en}
n = bilangan pemerhatian (kes)
Dalam tatatanda R:
Y ~ jumlah(bi*Xi)
b0 ialah pintasan, X0 ditetapkan kepada 1

r.regresi.berbilang direka bentuk untuk set data besar yang tidak boleh diproses dalam R. A p
Oleh itu nilai tidak disediakan, kerana kesan yang sangat kecil dan tidak bermakna akan menjadi
ketara dengan bilangan sel yang banyak. Sebaliknya adalah disyorkan untuk menilai oleh
penganggar b, jumlah varians yang dijelaskan (R kuasa dua untuk pembolehubah tertentu) dan
keuntungan dalam AIC (AIC tanpa pembolehubah tertentu tolak AIC global mesti positif) sama ada
kemasukan pembolehubah penjelasan yang diberikan dalam model adalah wajar.

. global model
. b pekali (b0 diimbangi), R kuasa dua atau pekali penentuan (Rsq) dan F
adalah sama dengan yang diperoleh daripada fungsi lm() R-stats dan anova() R-stats
fungsi. Nilai AIC adalah sama dengan yang diperoleh daripada fungsi stepAIC() R-stats
(sekiranya melangkah ke belakang, sama dengan nilai Mula). Nilai AIC diperbetulkan untuk
bilangan pembolehubah yang menerangkan dan nilai BIC (Bayesian Information Criterion).
ikut logik AIC.

. menjelaskan pembolehubah
R kuasa dua untuk setiap pembolehubah yang menerangkan mewakili jumlah tambahan yang dijelaskan
varians apabila memasukkan pembolehubah ini berbanding apabila mengecualikan pembolehubah ini, iaitu,
jumlah varians ini dijelaskan oleh pembolehubah penjelasan semasa selepas mengambil kira
mengambil kira semua pembolehubah penjelasan yang lain.

Skor F untuk setiap pembolehubah yang menerangkan membolehkan ujian jika kemasukan pembolehubah ini
meningkatkan dengan ketara kuasa penjelasan model, berbanding model global
tidak termasuk pembolehubah penjelasan ini. Ini bermakna bahawa nilai F untuk penjelasan yang diberikan
pembolehubah hanya sama dengan nilai F bagi fungsi R ringkasan.aov jika diberi
menerangkan pembolehubah ialah pembolehubah terakhir dalam formula R. Manakala R berturut-turut termasuk
satu pembolehubah demi satu dalam susunan yang ditentukan oleh formula dan pada setiap langkah
mengira nilai F yang menyatakan keuntungan dengan memasukkan pembolehubah semasa sebagai tambahan
kepada pembolehubah sebelumnya, r.regresi.berbilang mengira nilai-F yang menyatakan keuntungan
dengan memasukkan pembolehubah semasa sebagai tambahan kepada semua pembolehubah lain, bukan sahaja
pembolehubah sebelumnya.

Nilai AIC adalah sama dengan nilai yang diperoleh daripada stepAIC() fungsi R apabila
tidak termasuk pembolehubah ini daripada model penuh. Nilai AIC diperbetulkan untuk bilangan
menerangkan pembolehubah dan nilai BIC (Bayesian Information Criterion) nilai mengikut
logik AIC. BIC adalah sama dengan stepAIC fungsi R dengan k = log(n). AICc tidak
tersedia melalui stepAIC fungsi R.

CONTOH

Regresi berbilang dengan faktor K tanah dan ketinggian, aspek dan cerun (North Carolina
set data). Peta output ialah baki dan anggaran:
g.region raster=soils_Kfactor -p
r.regression.multi mapx=ketinggian,aspek,peta cerun=soils_Kfactor \
residuals=soils_Kfactor.resid estimates=soils_Kfactor.estim

Gunakan r.regression.multigrass dalam talian menggunakan perkhidmatan onworks.net