r.regression.multigrass - 云端在线

程序：

您的姓名

r.回归.multi - 从光栅图计算多元线性回归。

关键词

栅格、统计、回归

概要

r.回归.multi
r.回归.multi - 帮帮我
r.回归.multi [-g] 地图=姓名[,姓名……] 地图=姓名 [残差=姓名]
[估计=姓名[产量=姓名] [--覆盖] [--帮助] [--详细] [--安静] [--ui]

标志：
-g
以 shell 脚本样式打印

--覆盖
允许输出文件覆盖现有文件

- 帮帮我
打印使用摘要

--详细
详细模块输出

- 安静的
静音模块输出

--用户界面
强制启动 GUI 对话框

参数：
地图=姓名[,姓名……] [必需的]
x 系数的映射

地图=姓名 [必需的]
y 系数的映射

残差=姓名
映射到存储残差

估计=姓名
映射到存储估计

产量=姓名
用于存储回归系数的 ASCII 文件（如果文件不是，则输出到屏幕
指定的）。

商品描述

r.回归.multi 根据栅格地图计算多元线性回归
公式
Y = b0 + sum(bi*Xi) + E
协调
X = {X1, X2, ..., Xm}
m = 解释变量的数量
Y = {y1, y2, ..., yn}
xi = {xi1, xi2, ..., xin}
E = {e1, e2, ..., en}
n = 观察次数（案例）
在 R 符号中：
Y ~ 总和(bi*Xi)
b0 是截距，X0 设置为 1

r.回归.multi 专为无法在 R 中处理的大型数据集而设计。A p
因此不提供价值，因为即使是非常小的、无意义的效果也会变成
与大量细胞显着。 相反，建议通过判断
估计量 b，解释的方差量（给定变量的 R 平方）和
AIC 增益（没有给定变量的 AIC 减去 AIC 全局必须为正）
在模型中包含一个给定的解释变量是合理的。

这个 全球化 模型
这个 b 系数（b0 是偏移量）、R 平方或决定系数 (Rsq) 和 F
与从 R-stats 的 lm() 函数和 R-stats 的 anova() 获得的相同
功能。 AIC 值与从 R-stats 的 stepAIC() 函数获得的值相同
（在向后步进的情况下，与起始值相同）。 修正后的 AIC 值
解释变量的数量和 BIC（贝叶斯信息准则）值
遵循AIC的逻辑。

这个 说明 变量
每个解释变量的 R 平方表示被解释的额外数量
包含此变量时的方差与排除此变量时相比，即，
这个方差量是由当前的解释变量在考虑后解释的
考虑所有其他解释变量。

每个解释变量的 F 分数允许测试是否包含此变量
相对于全局模型，显着提高了模型的解释能力
排除这个解释变量。 这意味着给定解释的 F 值
变量仅与 R 函数的 F 值相同 摘要.aov 如果给定
解释变量是 R 公式中的最后一个变量。 而R依次包括
按照公式指定的顺序和每个步骤一个接一个的变量
通过额外包含当前变量来计算表示增益的 F 值
到前面的变量， r.回归.multi 计算表示增益的 F 值
通过包括当前变量以及所有其他变量，不仅
以前的变量。

当 AIC 值与从 R 函数 stepAIC() 获得的值相同时
从完整模型中排除此变量。 修正的 AIC 值
解释变量和 BIC 值（贝叶斯信息准则）值遵循
AIC的逻辑。 BIC 与 k = log(n) 的 R 函数 stepAIC 相同。 AICc 不是
可通过 R 函数 stepAIC 获得。

例

使用土壤 K 因子和高程、坡向和坡度进行多元回归（北卡罗来纳州
数据集）。 输出图是残差和估计值：
g.region 栅格=soils_Kfactor -p
r.regression.multi mapx=高程、坡向、坡度 mapy=soils_Kfactor \
残差=soils_Kfactor.resid 估计=soils_Kfactor.estim

使用 onworks.net 服务在线使用 r.regression.multigrass