Wie finde ich die Steigung (- rate) in MATLAB?
Wie finde ich die Steigung (- rate) in MATLAB?
Sagen wir zum Beispiel, ich habe einen scatter-plot:
Year = [2001 2002 2003 2004 2005];
Distance = [1.5 1.8 1.9 2.2 2.5];
scatter(Year, Distance)
hold on
pf = polyfit(Year,Distance,1);
f = polyval(pf,Year);
plot(Year,f)
Und ich kann R durch:
[r,p] = corrcoef(Year,Distance)
Ich möchte zu finden, die rate, mit der der Abstand steigt pro Jahr, die ich denke, ist äquivalent zur Steigung?
Du musst angemeldet sein, um einen Kommentar abzugeben.
Sind Sie richtig in Ihre interpretation der Steigung in diesem Fall. Wenn Sie
polyfit
in diesem Mode finden Sie die Steigung und Achsenabschnitt der Regressionsgeraden, die am besten passt dieser Verteilung. In diesem Fall, die Steigung wäre die rate, mit der Entfernung steigt pro Jahr. Ohne großartig ins detail,polyfit
bestimmen die Linie der besten Passform, die minimiert die Summe der quadrierten Fehler zwischen der Regressionsgerade und Ihre Daten Punkte. Daher dieser Hang wird Ihnen die besten rate, mit der Entfernung steigt pro Jahr, angesichts Ihrer Punktevergabe.Können Sie Folgen Sie Chris Ein Ansatz in die Sie finden können Punkt-Weise Paare von benachbarten Punkten und berechnen einer Steigung für jeden, dann eine Durchschnittliche, aber tun
polyfit
finden der kleinsten Quadrate, Regressionsgerade und meiner Meinung nach ist der Weg zu gehen.Erhalten Sie die least-squares -, oder best-fit-Hang durch die Extraktion wird der erste Wert
pf
wie Sie bereits beobachtet. Der zweite Wert enthält die intercept-Begriff der Regressionsgeraden.Gute Wahl mit
corrcoef
, um zu bestimmen, wie gut die Passform ist. Seien Sie jedoch vorsichtig und nehmen Sie sich die Korrelation mit einem Körnchen Salz. Einige Distributionen Bericht eine gute Korrelation, aber die tatsächliche best-fit-Linie wird nicht sehr gut Aussehen. Ein klassisches Beispiel wäre die Anscombe-Quartett. In diesem Beispiel werden alle Distributionen berichtet eine Korrelation von 0.816, noch die Variabilität der Daten war sehr unterschiedlich. Als ein Mittel der selbst-containment, das ist, was die Daten Aussehen sowie die Regressionsgerade durch die einzelnen Punkte. Sie können sehen, dass die Regressionsgerade ist eigentlich das gleiche für alle Datensätze, jedoch die Verteilung ist völlig anders: