Mathematica 9 is now available
SEARCH MATHEMATICA 8 DOCUMENTATION
THIS IS DOCUMENTATION FOR AN OBSOLETE PRODUCT.
SEE THE DOCUMENTATION CENTER FOR THE LATEST INFORMATION.
Mathematica > 数据处理 > 数值数据 > 统计模型分析 >
Mathematica > 数据处理 > 统计 > 统计模型分析 >
Mathematica > 数学和算法 > 统计 > 统计模型分析 >
Mathematica 内置符号教程 »|参见 »|更多关于 »

ProbitModelFit

ProbitModelFit[{y1, y2, ...}, {f1, f2, ...}, x]
构建一个二项概率回归模型，形式为 ，对于连续 x 值 1，2，... 拟合 yi。
ProbitModelFit[{{x11, x12, ..., y1}, {x21, x22, ..., y2}, ...}, {f1, f2, ...}, {x1, x2, ...}]
构建一个二项概率回归模型，形式为 ，其中 fi 与变量 xk 相关。
ProbitModelFit[{m, v}]
从设计矩阵 m 和响应向量 v 构建一个二项概率回归模型。
  • ProbitModelFit 返回一个符号 FittedModel 对象，表示构建的概率模型。模型的属性和诊断可以从 model["property"] 得到。
  • ProbitModelFit 在特定点 x1，... 的最佳拟合函数的值可以从 model[x1, ...] 求出。
  • 在形式 {{x11, x12, ..., y1}, {x21, x22, ..., y2}, ...} 的数据中，坐标 xi1, xi2, ... 的数量应对应变量 xi 的数量。
  • yi 的概率位于 0 和 1 之间。
  • 形式 {y1, y2, ...} 的数据等价于形式 {{1, y1}, {2, y2}, ...} 的数据。
  • 当假设原 ni yi 是独立的观察值，且二项分布，有均值 ， ProbitModelFit 产生一个形式为 的概率模型。
  • 在 ProbitModelFit[{m, v}] 中，，设计矩阵 m 根据在点 {{f1, f2, ...}, {f1, f2, ...}, ...} 的基函数 fi 形成。响应向量 v 是响应列表 {y1, y2, ...}。
  • 对于一个设计矩阵 m 和响应向量 v，模型是 ，其中 Beta 是估计参数的向量。
  • 当使用一个设计矩阵，基函数 fi 可以用形式 ProbitModelFit[{m, v}, {f1, f2, ...}] 指定。
7 的新功能
Ask a question about this page  |  Suggest an improvement  |  Leave a message for the team