sélection de variables avec covsel, puis régression linéaire multiple (MLR)
model=covsel_mlr(x,y,split,lv,(centred))
données d'étalonnage; dimensions respectives (n x q) et (n x k) ou des structures Div
note: lorsque x n'est pas carrée et de plein rang, la MLR est calculée avec la pseudo-inverse de xx'
paramètre pour la validation croisée:
- un entier: nombre de blocs tirés au hasard
- deux entiers: [a b ]: a blocs tirés au hasard; b répétitions
- un vecteur de dimension n attribuant chaque échantillon à un bloc (nombres 1,2,...k pour k blocs): blocs fixés par le vecteur
- une matrice (n x b ) de vecteurs-colonne de dimension n attribuant chaque échantillon à un bloc (nombres 1,2,...k pour k blocs): blocs fixés par chaque vecteur, b répétitions
- 'vnbxx': stores vénitiens, xx blocs; ex: 'vnb10' pour 10 blocs
- 'jckxx': Jack knife, xx blocs; ex: 'jck8' pour 8 blocs
le nombre de variables de x à sélectionner
1=centré (par défaut); 0=non centré
les erreurs standard d'étalonnage et de validation croisée
model.err.d est une matrice (2 x lv x k); les lignes sont les rmsec et rmsecv respectivement
les valeurs y prédites après validation croisée
model.ypredcv.d est une matrice (n x q x k)
les b ou coefficients de régression
model.b.d est une matrice (q x lv x k)
moyennes de x et y , un vecteurs (q x 1) et un vecteur (k x 1)
model.x_ref
model.y_ref
option de centrage utilisée; 1=centré; 0=pas centré
la méthode utilisée = 'covsel_mlr'
les variables de x sélectionnées, déterminées avec toutes les variables de y (ligne k+1), puis ordonnées pour chaque variable de y (lignes 1 à k)
model.var_selected.d est de dimensions ((k+1) x lv )