gmtregressgmt - Online di Cloud

PROGRAM:

NAMA

gmtregress - Regresi linier set data 1-D

RINGKASAN

kemunduran [ tabel ] [ menit/max/inc ] [ tingkat ] [ x|y|o|r ] [ bendera ] [ 1|2|r|w ] [ [r] ] [
menit/max/inc | n ] [ [w][x][y][r] ] [ [tingkat] ] [ -a] [ -b] [ -g] [
-h] [ -i] [ -o]

Catatan: Tidak ada spasi yang diperbolehkan antara flag opsi dan argumen terkait.

DESKRIPSI

kemunduran membaca satu atau lebih tabel data [atau stdin] dan menentukan linear terbaik
model regresi y = a + b* x untuk setiap segmen menggunakan parameter yang dipilih. Pengguna mungkin
menentukan data dan komponen model mana yang harus dilaporkan. Secara default, modelnya adalah
dievaluasi pada titik input, tetapi sebagai alternatif Anda dapat menentukan rentang yang berjarak sama di atas
yang untuk mengevaluasi model, atau mematikan evaluasi sepenuhnya. Alih-alih menentukan
paling cocok kita dapat melakukan pemindaian semua garis regresi yang mungkin (untuk rentang kemiringan
sudut) dan periksa bagaimana ukuran ketidakcocokan yang dipilih bervariasi dengan kemiringan. Ini terutama
berguna ketika menganalisis data dengan banyak outlier. Catatan: Jika Anda benar-benar perlu bekerja dengan
log10 dari x or y Anda dapat mencapai transformasi itu selama membaca dengan menggunakan -i .

DIBUTUHKAN ARGUMEN

None

OPSIONAL ARGUMEN

tabel Satu atau lebih ASCII (atau biner, lihat -dua[ncol][mengetik]) file tabel data yang menyimpan
jumlah kolom data. Jika tidak ada tabel yang diberikan maka kita membaca dari input standar.
Dua kolom pertama diharapkan berisi yang diperlukan x dan y data. Tergantung
pada -W dan -E pengaturan kami mungkin mengharapkan 1-3 kolom tambahan dengan kesalahan
perkiraan salah satu dari kedua koordinat data, dan bahkan korelasinya.

-Amenit/max/inc
Alih-alih menentukan regresi yang paling cocok, kami menjelajahi berbagai
regresi. Periksa semua garis regresi yang mungkin dengan sudut kemiringan antara menit
dan max, menggunakan langkah-langkah inc derajat [-90/+90/1]. Untuk setiap kemiringan optimum
intersep ditentukan berdasarkan jenis regresi Anda (-E) dan norma ketidaksesuaian (-N)
pengaturan. Untuk setiap segmen kami melaporkan empat kolom sudut, E, lereng, mencegat,
untuk rentang sudut tertentu. Parameter model terbaik dalam kisaran ini adalah
ditulis ke dalam header segmen dan dilaporkan dalam mode verbose (-V).

-Ctingkat
Tetapkan tingkat kepercayaan (dalam %) yang akan digunakan untuk perhitungan kepercayaan opsional
pita pada regresi [95]. Ini hanya digunakan jika -F termasuk kolom keluaran
c.

-Kel|y|o|r
Jenis regresi linier, yaitu, pilih jenis ketidaksesuaian yang harus kita hitung.
Pilih dari x (regresi x on y; yaitu, ketidaksesuaian diukur secara horizontal dari data
arahkan ke garis regresi), y (regresi y on x; yaitu, ketidaksesuaian diukur
vertikal [Awal]), o (regresi ortogonal; yaitu, ketidaksesuaian diukur dari
titik data secara ortogonal ke titik terdekat pada garis), atau r (Sumbu Utama yang Dikurangi
regresi; yaitu, ketidaksesuaian adalah produk dari vertikal dan horizontal
ketidakcocokan) [y].

-Fbendera
Tambahkan kombinasi kolom yang ingin Anda kembalikan; urutan output akan cocok
urutan yang ditentukan. Pilih dari x (diamati x), y (diamati y), m (model
ramalan), r (sisa = data dikurangi model), c (interval kepercayaan simetris pada
regresi; Lihat -C untuk menentukan level), z (residu standar atau
apa yang disebut z-skor) Dan w (bobot outlier 0 atau 1; untuk -Tidak ini adalah Reweighted
Bobot Kuadrat Terkecil) [xymrczw]. Sebagai alternatif untuk mengevaluasi model, just
memberikan -Fp dan sebagai gantinya kami menulis satu catatan dengan parameter model npoin
maksudnya maksudku sudut orang canggung lereng mencegat sigma_slope sigma_intercept.

-N1|2|r|w
Memilih norma yang akan digunakan untuk perhitungan ketidaksesuaian. Pilih di antara 1 (Ukuran L-1;
rata-rata residu absolut), 2 (Kuadrat terkecil; rata-rata kuadrat
residu), r (LMS; Median terkecil dari sisa kuadrat), atau w (RLS;
Reweighted Least Squares: rata-rata dari sisa kuadrat setelah outlier
diidentifikasi melalui LMS telah dihapus) [Default adalah 2]. Regresi tradisional menggunakan
L-2 sementara L-1 dan khususnya LMS lebih kuat dalam menangani outlier.
Seperti disinggung, RLS menyiratkan regresi LMS awal yang kemudian digunakan untuk mengidentifikasi
outlier dalam data, tetapkan ini dengan bobot nol, dan kemudian ulangi regresi
menggunakan norma L-2.

-S[r] Membatasi record mana yang akan di-output. Secara default semua catatan data akan menjadi output
dalam format yang ditentukan oleh -F. Menggunakan -S untuk mengecualikan titik data yang diidentifikasi sebagai
outlier oleh regresi. Sebagai alternatif, gunakan -Sr untuk membalikkan ini dan hanya output
catatan outlier.

-Tmenit/max/inc | -Tn
Evaluasi model regresi yang paling sesuai pada titik-titik yang berjarak sama yang ditunjukkan oleh
argumen. Jika -Tn diberikan sebagai gantinya kami akan mengatur ulang menit dan max secara ekstrim
x-nilai untuk setiap segmen dan tentukan inc sehingga ada persis n keluaran
nilai untuk setiap segmen. Untuk melewatkan evaluasi model sepenuhnya, cukup berikan
-T0.

-W[w][x][kamu][r]
Menentukan regresi berbobot dan bobot mana yang akan diberikan. Menambahkan x if
memberikan ketidakpastian 1-sigma dalam x-pengamatan, y jika memberikan 1-sigma
ketidakpastian dalam y, dan r jika memberikan korelasi antara x dan y pengamatan, dalam
urutan kolom ini muncul di input (setelah dua diperlukan dan memimpin x,
y kolom). Memberikan keduanya x dan y (dan opsional r) menyiratkan ortogonal
regresi, jika tidak memberikan x membutuhkan -Mantan dan y membutuhkan -Mata. Kami mengonversi
ketidakpastian dalam x dan y untuk regresi bobot melalui hubungan bobot =
1/sigma. Menggunakan -Ww jika kita harus menafsirkan kolom input yang telah dihitung sebelumnya
bobot sebagai gantinya. Catatan: residual sehubungan dengan garis regresi adalah
ditimbang dengan bobot yang diberikan. Sebagian besar norma kemudian akan mengkuadratkan sisa tertimbang ini
(-N1 adalah satu-satunya pengecualian).

-V[tingkat] (lebih ...)
Pilih tingkat verbositas [c].

-acol=nama[...] (lebih ...)
Tetapkan asosiasi kolom aspatial col=nama.

-dua[ncol][T] (lebih ...)
Pilih masukan biner asli.

-bo[ncol][mengetik] (lebih ...)
Pilih keluaran biner asli. [Default sama dengan input].

-g[a]x|y|d|X|Y|D|[col]z[+|-]celah[atau] (lebih ...)
Tentukan kesenjangan data dan jeda baris.

-h[i|o]n][+c][+d][+rkomentar] [+ rjudul] (lebih ...)
Lewati atau buat rekaman header.

-ikerah[aku] [sskala][Haimengimbangi] [,...] (lebih ...)
Pilih kolom input (0 adalah kolom pertama).

-okerah[,...] (lebih ...)
Pilih kolom keluaran (0 adalah kolom pertama).

-^ or hanya -
Cetak pesan singkat tentang sintaks perintah, lalu keluar (CATATAN: di Windows
gunakan saja -).

-+ or hanya +
Cetak pesan penggunaan (bantuan) ekstensif, termasuk penjelasan tentang apa pun
opsi khusus modul (tetapi bukan opsi umum GMT), lalu keluar.

-? or tidak argumen
Cetak pesan penggunaan (bantuan) lengkap, termasuk penjelasan opsi, lalu
keluar.

--Versi: kapan
Cetak versi GMT dan keluar.

--tunjukkan-datadir
Cetak jalur lengkap ke direktori berbagi GMT dan keluar.

ASCII FORMAT KETEPATAN

Format output ASCII dari data numerik dikendalikan oleh parameter di gmt.conf
mengajukan. Bujur dan lintang diformat menurut FORMAT_GEO_OUT, sedangkan lainnya
nilai diformat menurut FORMAT_FLOAT_OUT. Ketahuilah bahwa format yang berlaku dapat
menyebabkan hilangnya presisi dalam output, yang dapat menyebabkan berbagai masalah hilir. Jika
Anda menemukan output tidak ditulis dengan presisi yang cukup, pertimbangkan untuk beralih ke biner
keluaran (-bo jika tersedia) atau tentukan lebih banyak desimal menggunakan pengaturan FORMAT_FLOAT_OUT.

CONTOH

Untuk melakukan regresi kuadrat terkecil standar pada xy data di points.txt dan kembalikan x, y,
dan prediksi model dengan interval kepercayaan 99%, coba

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

Untuk mendapatkan kemiringan untuk regresi di atas, coba

slope=`gmt titik regresi.txt -Fp -o5`

Untuk melakukan regresi kuadrat terkecil pada data rough.txt dan mengembalikan x, y, model
prediksi dan bobot RLS, coba

gmt regress rough.txt -Fxymw > points_regressed.txt

Untuk melakukan regresi kuadrat terkecil ortogonal pada data crazy.txt tetapi pertama-tama ambil
logaritma dari x dan y, lalu kembalikan x, y, prediksi model dan residual yang dinormalisasi
(skor-z), coba

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

Untuk memeriksa bagaimana ketidakcocokan LMS ortogonal bervariasi dengan sudut antara 0 dan 90 dalam langkah 0.2
derajat untuk file yang sama, coba

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

REFERENSI

Draper, NR, dan H. Smith, 1998, Terapan regresi analisis, edisi ke-3, 736 hlm., John
Wiley dan Putra, New York.

Rousseeuw, PJ, dan AM Leroy, 1987, Kuat regresi dan orang asing deteksi, 329 hal.,
John Wiley dan Putra, New York.

York, D., NM Evensen, ML Martinez, dan J. De Basebe Delgado, 2004, Persamaan terpadu
untuk kemiringan, intersep, dan kesalahan standar dari garis lurus terbaik, Saya. J. Phys,
72(3), 367-375.

Gunakan gmtregressgmt online menggunakan layanan onworks.net