r.regression.multigrass – Online in der Cloud

PROGRAMM:

NAME/FUNKTION

r.regression.multi - Berechnet die multiple lineare Regression aus Rasterkarten.

SCHLÜSSELWÖRTER

Raster, Statistik, Regression

ZUSAMMENFASSUNG

r.regression.multi
r.regression.multi --help
r.regression.multi [-g] Mapx=Name[,Name,...] mapy=Name [Residuen=Name]
[Schätzungen=Name] [Möglichkeiten für das Ausgangssignal:=Name] [--überschreiben] [--Hilfe] [--ausführlich] [--ruhig] [--ui]

Flaggen:
-g
Im Shell-Script-Stil drucken

--überschreiben
Ausgabedateien erlauben, vorhandene Dateien zu überschreiben

--help
Nutzungszusammenfassung drucken

- ausführlich
Ausführliche Modulausgabe

--ruhig
Leiser Modulausgang

--ui
Starten des GUI-Dialogs erzwingen

Parameter:
Mapx=Name Name,...] [erforderlich]
Karte für x-Koeffizient

mapy=Name [erforderlich]
Karte für y-Koeffizient

Residuen=Name
Karte zum Speichern von Residuen

Schätzungen=Name
Karte zum Speichern von Schätzungen

Möglichkeiten für das Ausgangssignal:=Name
ASCII-Datei zum Speichern von Regressionskoeffizienten (Ausgabe auf dem Bildschirm, wenn die Datei nicht vorhanden ist).
spezifiziert).

BESCHREIBUNG

r.regression.multi berechnet eine multiple lineare Regression aus Rasterkarten gemäß
die Formel
Y = b0 + sum(bi*Xi) + E
woher
X = {X1, X2, ..., Xm}
m = Anzahl der erklärenden Variablen
Y = {y1, y2, ..., yn}
Xi = {xi1, xi2, ..., xin}
E = {e1, e2, ..., en}
n = Anzahl der Beobachtungen (Fälle)
In R-Notation:
Y ~ sum(bi*Xi)
b0 ist der Achsenabschnitt, X0 ist auf 1 gesetzt

r.regression.multi ist für große Datensätze konzipiert, die nicht in R verarbeitet werden können. A p
Wert ist daher nicht gegeben, da auch sehr kleine, bedeutungslose Auswirkungen zur Folge haben
signifikant bei einer großen Anzahl von Zellen. Stattdessen empfiehlt es sich, nach dem zu urteilen
Schätzer b, der Betrag der erklärten Varianz (R im Quadrat für eine gegebene Variable) und der
Gewinn im AIC (AIC ohne eine gegebene Variable minus AIC global muss positiv sein), ob der
Die Einbeziehung einer bestimmten erklärenden Variablen in das Modell ist gerechtfertigt.

Die globale Modell
Die b Koeffizienten (b0 ist Offset), R-Quadrat oder Bestimmtheitsmaß (Rsq) und F
sind identisch mit denen, die aus der Funktion lm() von R-Stats und der Funktion anova() von R-Stats erhalten wurden.
Funktion. Der AIC-Wert ist identisch mit dem, der mit der Funktion „stepAIC()“ von R-stats erhalten wurde
(bei Rückwärtsschritt identisch mit dem Startwert). Der korrigierte AIC-Wert
die Anzahl der erklärenden Variablen und der BIC-Wert (Bayesian Information Criterion).
Folgen Sie der Logik von AIC.

Die Erläuterung Variablen
Das R-Quadrat für jede erklärende Variable stellt den zusätzlichen erklärten Betrag dar
Varianz beim Einbeziehen dieser Variablen im Vergleich zum Ausschließen dieser Variablen, d. h.
Dieser Varianzbetrag wird nach der Berücksichtigung durch die aktuelle erklärende Variable erklärt
Berücksichtigung aller anderen erklärenden Variablen.

Der F-Score für jede erklärende Variable ermöglicht die Prüfung, ob diese Variable einbezogen wird
erhöht die Erklärungskraft des Modells im Vergleich zum globalen Modell erheblich
ohne diese erklärende Variable. Das bedeutet, dass der F-Wert für eine gegebene Erklärung gilt
Variable ist nur identisch mit dem F-Wert der R-Funktion Zusammenfassung.aov wenn das Gegebene
Die erklärende Variable ist die letzte Variable in der R-Formel. Während R nacheinander einschließt
eine Variable nach der anderen in der durch die Formel angegebenen Reihenfolge und bei jedem Schritt
berechnet den F-Wert, der die Verstärkung ausdrückt, indem zusätzlich die aktuelle Variable einbezogen wird
zu den vorherigen Variablen, r.regression.multi berechnet den F-Wert, der die Verstärkung ausdrückt
indem die aktuelle Variable zusätzlich zu allen anderen Variablen einbezogen wird, nicht nur die
vorherige Variablen.

Der AIC-Wert ist identisch mit dem, der aus der R-Funktion stepAIC() when erhalten wird
Ausschließen dieser Variablen aus dem vollständigen Modell. Der AIC-Wert wurde um die Anzahl korrigiert
Es folgen Erläuterungen zu Variablen und dem BIC-Wert (Bayesian Information Criterion).
Logik von AIC. BIC ist identisch mit der R-Funktion stepAIC mit k = log(n). AICc ist nicht
verfügbar über die R-Funktion stepAIC.

BEISPIEL

Mehrfache Regression mit Boden-K-Faktor und Höhe, Ausrichtung und Neigung (North Carolina).
Datensatz). Ausgabekarten sind die Residuen und Schätzungen:
g.region raster=soils_Kfactor -p
r.regression.multi mapx=elevation,aspect,slope mapy=soils_Kfactor \
Residuen=Soils_Kfactor.Resid Schätzungen=Soils_KFaktor.estim

Verwenden Sie r.regression.multigrass online über die Dienste von onworks.net