2018-06-14 20:39:44
regress函数和regstats函数利用普通最小二乘法估计模型中的参数, 参数的估计值受异常值的影响比较大. robustfit函数采用加权最小二乘法估计模型中的参数, 受异常值的影响就比较小. robustfit函数可用来作稳健的多重线性或广义线性回归分析, 下面介绍robustfit函数的用法.
调用方法b = robustfit(X,y)
b = robustfit(X,y,wfun,tune)
b = robustfit(X,y,wfun,tune,const)
[b,stats] = robustfit(...)
使用说明
1. b = robustfit(X, y)
通过执行稳健回归来分析多元线性回归模型 y=Xβy=Xβ, 并返回系数向量 ββ 的估计值 bb.
输入参数 XX 为 n×pn×p 的自变量矩阵(或称预测变量矩阵, 设计矩阵), 对应 pp 个预测因子对 nn 个观测值中每个的贡献. yy 是 n×1n×1 观测值向量(或称响应向量), 输出的 bb 为 (p+1)×1(p+1)×1 向量.
缺省情况下, 算法使用基于bisquare加权函数的迭代重加权最小二乘法.
注意 与regress函数不同的是, 默认情况下, robustfit函数会自动在 XX 第1列元素的左边加入一列1, 而不需要用户自己添加. 此列向量对应于模型中的常量项. 不要直接为 XX 添加一个全1的列向量, 你可以通过更改变量const的值来改变robustfit的默认行为.
robustfit会把 XX 或 yy 中的不确定数据NaN作为缺失数据, 并将其移除.
2. b = robustfit(X, y, wfun, tune)
指定加权方法wfun和调节常数tune. 在计算权重之前tune会被划分到残差向量. 如果指定了