-
-
xuxp 初学数据Lv2
发表于2019-11-24 14:48
楼主
1、函数简介：
1）函数说明
函数regress是用来做回归分析的，该函数包含三个参数，参数含义说明如下（参数按照其在函数的参数列表中顺序依次说明）：
2）regress函数结果对象描述
1）函数说明
函数regress是用来做回归分析的，该函数包含三个参数，参数含义说明如下（参数按照其在函数的参数列表中顺序依次说明）：
参数名称 | 参数取值说明 |
目标指标历史观测值 | 一维double数组Y；在Logistic回归分析模型中，Y的取值只能是0或者1； |
影响因素历史观测值 | 二维double数组X；X的第一维长度跟Y相等，X的第二维长度应该都相等，并且等于影响因素的个数； |
回归分析的模型名称(可选参数) | 字符串；'LINEAR'表示采用线性回归模型进行分析,'LNLIN'表示采用对数线性回归模型进行分析, 'LOGIST'表示采用Logistic回归模型进行分析, 'NONLIN'表示采用非线性回归模型进行分析,'SVM'表示采用支持向量机回归模型进行分析；当这个参数省略时表示用线性回归模型进行分析 |
注：参数Y和X数组中都可以包含缺失值，无需进行特殊处理即可分析；另外regress函数的返回值是一个对象，利用该对象可以获取回归方程以及历史数据相关的信息，对该对象的描述见下一小节。
属性或成员函数名称 | 含义说明 |
double error | 属性；该属性表示回归模型的误差，在线性回归和非线性回归模型中，error表示历史目标指标预测的评价误差， 在Logistic回归模型中表示历史数据中目标指标预测错误的比例 |
int factorN | 属性；该属性表示历史数据中影响因素的数目 |
double predict(X) | 预测函数；该函数可以根据用户提供的影响因素X对目标指标进行预测，X为一维double型数组，长度为factorN， 当factorN为1时，X也可以为一个数，X可以包含缺失值 |
double[] predictInterval(X, prob) | 区间预测函数(仅对第三个参数为"linear"的regress函数有用); 该函数根据用户提供的影响因素X对目标指标的区间预测, X为一维double型数组，长度为factorN, prob表示预测区间的置信度, 范围在0到1之间, 通常为0.9或者0.95 |
double[] historyPredicts | 属性；该属性表示对用户提供的历史数据的目标指标的理论预测值 |
double[] Coeficients | 属(仅对第三个参数为"linear"的regress函数有用)；该属性表示线性回归和Logistic回归模型的回归方程系数，Coeficients[0]表示常数项，Coeficients为系数I的值 |
doulbe[] std | 属性(仅对第三个参数为"linear"的regress函数有用); 该属性表示线性回归系数的标准差, std表示系数Coeficients的标准差 |
double[] t | 属性(仅对第三个参数为"linear"的regress函数有用); 该属性表示线性回归系数的t统计量, t表示系数Coeficients的t统计量 |
double[] pvalue | 属性(仅对第三个参数为"linear"的regress函数有用); 该属性表示线性回归系数的p值, pvalue表示系数Coeficients的p值 |
double[] ci(i, prob) | 置信区间函数(仅对第三个参数为"linear"的regress函数有用); 该函数计算系数i的概率为prob的执行区间, 返回一个包含置信区间两个端点的数值数组 |
| double RSQUARED | 决定系数、判定系数、拟合优度（bi4.5.2及util1.2.4 build-date >= 2017.10.11 17:09:00起支持） |
| double SSR | 每个提供的实际因变量(Y)与它们的预测值之差的平方和（bi4.5.2及util1.2.4 build-date >= 2017.10.11 17:09:00起支持） |
| double SST | 每个提供的实际因变量(Y)与它们的平均值之差的平方和（bi4.5.2及util1.2.4 build-date >= 2017.10.11 17:09:00起支持） |
| int NON_NAN_OBS_NUMB | 合法观测值(Y)的个数，一般的，输入数值全部为合法数值时，NON_NAN_OBS_NUMB=Y.size（bi4.5.2及util1.2.4 build-date >= 2017.10.11 17:09:00起支持） |
注：
SST – Sum of Squared Total
SSR – Sum of Squared Regression
SSE – Sum of Squared Error
SST=SSR+SSE
R^2=SSE/SST=1-SSR/SST
3）应用案例
a、在报表中添加全局对象，如图1。
b、在全局对象中，添加对象名和对象定义。其中对象名为报表模板中引用的对象名。对象定义，根据实际需求进行引用，如图2.
c、在报表中应用reg.Coeficients即可得到[-20954.1190053,516926.5892296]。得到的回归方程即为：Y=-20954.1190053+516926.5892296*X
