gmtregressgmt: en línea en la nube

PROGRAMA:

NOMBRE

gmtregress: regresión lineal de conjuntos de datos 1-D

SINOPSIS

gmtregreso [ mesa ] [ min/max/Cª ] [ nivel ] [ x|y|o|r ] [ banderas ] [ 1|2|r|w ] [[r]] [
min/max/Cª | n ] [[w][x][y][r]] [[nivel]] [ -a] [ -b] [ -g] [
-h] [ -i] [ -o]

Nota: No se permite ningún espacio entre el indicador de opción y los argumentos asociados.

DESCRIPCIÓN

gmtregreso lee una o más tablas de datos [o stdin] y determina el mejor lineal
Modelo de regresión y = a + b* x para cada segmento utilizando los parámetros elegidos. El usuario puede
especificar qué datos y componentes del modelo deben notificarse. Por defecto, el modelo será
evaluado en los puntos de entrada, pero alternativamente puede especificar un rango equidistante sobre
cuál evaluar el modelo, o desactivar la evaluación por completo. En lugar de determinar
el mejor ajuste podemos realizar una exploración de todas las posibles líneas de regresión (para un rango de pendiente
ángulos) y examine cómo la medida de desajuste elegida varía con la pendiente. Esto es particularmente
útil cuando se analizan datos con muchos valores atípicos. Nota: si realmente necesita trabajar con
log10 de x or y puede lograr esa transformación durante la lectura utilizando el -i .

REQUERIDOS ARGUMENTOS

Ninguna

OPCIONAL ARGUMENTOS

mesa Uno o más ASCII (o binarios, consulte -bi[ncoles][tipo]) archivo (s) de tabla de datos con un
número de columnas de datos. Si no se dan tablas, leemos de la entrada estándar.
Se espera que las dos primeras columnas contengan los x y y datos. Dependiente
de su -W y -E configuración, podemos esperar 1-3 columnas adicionales con error
estimaciones de una de las dos coordenadas de datos, e incluso su correlación.

-Amin/max/Cª
En lugar de determinar una regresión de mejor ajuste, exploramos el rango completo de
regresiones. Examine todas las posibles rectas de regresión con ángulos de pendiente entre min
y max, siguiendo los pasos de Cª grados [-90 / + 90/1]. Para cada pendiente el óptimo
la intersección se determina en función de su tipo de regresión (-E) y norma inadaptada (-N)
ajustes. Para cada segmento informamos las cuatro columnas ángulo, E, pendiente, interceptar,
para el rango de ángulos especificados. Los mejores parámetros del modelo dentro de este rango son
escrito en el encabezado del segmento y reportado en modo detallado (-V).

-Cnivel
Establezca el nivel de confianza (en%) que se utilizará para el cálculo opcional de confianza
bandas en la regresión [95]. Esto solo se usa si -F incluye la columna de salida
c.

-Ex | y | o | r
Tipo de regresión lineal, es decir, seleccionar el tipo de desajuste que debemos calcular.
Elija entre x (regreso x on y; es decir, el desajuste se mide horizontalmente a partir de datos
apuntar a la línea de regresión), y (regreso y on x; es decir, el desajuste se mide
verticalmente [predeterminado]), o (regresión ortogonal; es decir, el desajuste se mide a partir de
punto de datos ortogonalmente al punto más cercano en la línea), o r (Eje mayor reducido
regresión; es decir, el desajuste es el producto tanto de la vertical como de la horizontal
inadaptados) [y].

-Fbanderas
Agregue una combinación de las columnas que desea devolver; el orden de salida coincidirá
el orden especificado. Escoge de x (observado x), y (observado y), m (modelo
predicción), r (residual = datos menos modelo), c (intervalo de confianza simétrico en
la regresión; ver -C para especificar el nivel), z (residuales estandarizados o
así llamado puntuaciones z) y w (pesos atípicos 0 o 1; para -Noroeste estos son los reponderados
Ponderaciones de mínimos cuadrados) [xymrczw]. Como alternativa a la evaluación del modelo, simplemente
give -FP y en su lugar escribimos un solo registro con los parámetros del modelo npuntos
xmedia significar ángulo desajuste pendiente interceptar pendiente_sigma intercepción_sigma.

-N1 | 2 | r | w
Selecciona la norma que se utilizará para el cálculo de desajuste. Elija entre 1 (Medida L-1;
la media de los residuos absolutos), 2 (Mínimos cuadrados; la media del cuadrado
derechos residuales de autor), r (LMS; la mediana mínima de los residuos al cuadrado), o w (SPI;
Mínimos cuadrados ponderados: la media de los residuos cuadrados después de los valores atípicos
identificados a través de LMS se han eliminado) [El valor predeterminado es 2]. Usos de regresión tradicional
L-2, mientras que L-1 y, en particular, LMS son más robustos en la forma en que manejan los valores atípicos.
Como se mencionó, RLS implica una regresión LMS inicial que luego se utiliza para identificar
valores atípicos en los datos, asígneles un peso cero y luego vuelva a realizar la regresión
utilizando una norma L-2.

-S [r] Restringe qué registros se generarán. De forma predeterminada, se enviarán todos los registros de datos
en el formato especificado por -F. Utilizar -S para excluir puntos de datos identificados como
valores atípicos por la regresión. Alternativamente, use -Sr para revertir esto y solo salida
los registros de valores atípicos.

-Tmin/max/Cª | -Tn
Evaluar el modelo de regresión de mejor ajuste en los puntos equidistantes implicados por la
argumentos. Si -Tn se da en su lugar restableceremos min y max en el extremo
x-valores para cada segmento y determinar Cª para que existan exactamente n salida
valores para cada segmento. Para omitir la evaluación del modelo por completo, simplemente proporcione
-T0.

-W [w] [x] [y] [r]
Especifica la regresión ponderada y qué ponderaciones se proporcionarán. Adjuntar x if
dando incertidumbres 1-sigma en el x-observaciones, y si da 1-sigma
incertidumbres en yy r si da correlaciones entre x y y observaciones, en
el orden en que aparecen estas columnas en la entrada (después de las dos obligatorias y principales x,
y columnas). Dando ambos x y y (y opcionalmente r) implica una ortogonal
regresión, de lo contrario dando x requiere -Ex y y requiere -Oye. Convertimos
incertidumbres en x y y a las ponderaciones de regresión a través de la relación ponderación =
1 / sigma. Usar -ww si deberíamos interpretar que las columnas de entrada han calculado previamente
pesos en su lugar. Nota: los residuos con respecto a la línea de regresión serán
escalado por los pesos dados. La mayoría de las normas cuadrarán entonces este residuo ponderado
(-N1 es la única excepción).

-V [nivel] (más ...)
Seleccione el nivel de verbosidad [c].

-acolumna=nombre [...] (más ...)
Establecer asociaciones de columnas espaciales columna=nombre .

-bi[ncoles] [t] (más ...)
Seleccione la entrada binaria nativa.

-bo [ncoles][tipo] (más ...)
Seleccione la salida binaria nativa. [El valor predeterminado es el mismo que el de la entrada].

-g [a] x | y | d | X | Y | D | [columna] z [+ | -]brecha[u] (más ...)
Determine las lagunas de datos y los saltos de línea.

-h [i | o] [n] [+ c] [+ d] [+ rcomentario] [+ rtítulo] (más ...)
Omitir o producir registros de encabezado.

-icols[l] [sescala] [ocompensar] [,...] (más ...)
Seleccione las columnas de entrada (0 es la primera columna).

-ocols[, ...] (más ...)
Seleccione las columnas de salida (0 es la primera columna).

-^ or just -
Imprima un mensaje corto sobre la sintaxis del comando, luego sale (NOTA: en Windows
usar solo -).

-+ or just +
Imprima un mensaje de uso extenso (ayuda), incluida la explicación de cualquier
opción específica del módulo (pero no las opciones comunes de GMT), luego sale.

-? or no argumentos
Imprima un mensaje de uso completo (ayuda), incluida la explicación de las opciones, luego
salidas

--versión
Imprime la versión GMT y sal.

--show-datadir
Imprima la ruta completa al directorio compartido GMT y salga.

ASCII FORMATO PRECISIÓN

Los formatos de salida ASCII de datos numéricos se controlan mediante parámetros en su gmt.conf
expediente. La longitud y la latitud se formatean de acuerdo con FORMAT_GEO_OUT, mientras que otras
los valores se formatean de acuerdo con FORMAT_FLOAT_OUT. Tenga en cuenta que el formato en vigor puede
conducir a la pérdida de precisión en la salida, lo que puede dar lugar a varios problemas en sentido descendente. Si
encuentra que la salida no está escrita con suficiente precisión, considere cambiar a binario
producción (-bo si está disponible) o especifique más decimales usando la configuración FORMAT_FLOAT_OUT.

EJEMPLOS

Para hacer una regresión estándar de mínimos cuadrados en el xy datos en points.txt y devuelve x, y,
y la predicción del modelo con intervalos de confianza del 99%, intente

gmt regresión points.txt -Fxymc -C99> points_regressed.txt

Para obtener la pendiente de la regresión anterior, intente

pendiente = `puntos de regresión gmt.txt -Fp -o5`

Para hacer una regresión de mínimos cuadrados ponderada en los datos rough.txt y devolver x, y, modelo
predicción y los pesos de RLS, intente

gmt regresa rough.txt -Fxymw> points_regressed.txt

Para hacer una regresión ortogonal de mínimos cuadrados en los datos crazy.txt pero primero tome el
logaritmo de x e y, luego devuelve x, y, la predicción del modelo y los residuos normalizados
(puntuaciones z), intente

gmt regresa crazy.txt -Eo -Fxymz -i0-1l> points_regressed.txt

Examinar cómo varían los desajustes ortogonales del LMS con un ángulo entre 0 y 90 en pasos de 0.2
grados para el mismo archivo, intente

gmt regresión points.txt -A0 / 90 / 0.2 -Eo -Nr> points_analysis.txt

Referencias

Draper, NR y H. Smith, 1998, Aplicado regresión análisis, 3a ed., 736 págs., John
Wiley and Sons, Nueva York.

Rousseeuw, PJ y AM Leroy, 1987, Robusto regresión y atípico detección, 329 págs.,
John Wiley and Sons, Nueva York.

York, D., NM Evensen, ML Martinez y J. De Basebe Delgado, 2004, Ecuaciones unificadas
para la pendiente, la intersección y los errores estándar de la mejor línea recta, Am. J. física,
72(3), 367-375.

Use gmtregressgmt en línea usando los servicios de onworks.net