MINI MINI MANI MO

%
% Copyright (c) 2012, 2015, Oracle and/or its affiliates. All rights reserved.
%
\name{ore.lm}
\alias{ore.lm}
\alias{ore.stepwise}
\alias{summary.ore.lm}
\alias{logLik.ore.lm}
\alias{hatvalues.ore.lm}
\alias{vcov.ore.lm}
\alias{print.summary.ore.lm}
\alias{print.ore.stepwise}
\alias{predict.ore.lm}
\alias{plot.ore.lm}
\alias{drop1.ore.lm}
\alias{add1.ore.lm}
\concept{regression}
\title{
Oracle R Enterprise - Lineare und schrittweise lineare Regressionsmodelle
}
\description{
Modellfunktionen für die Anpassung linearer Regressions- und schrittweiser linearer
  Regressionsmodelle an \code{ore.frame}-Daten.
}
\usage{
### Fitting functions
ore.lm(formula, data, weights, contrasts = NULL, xlev = NULL,
       ...)
ore.stepwise(formula, data, scope,
             direction = c("both", "backward", "forward", "alternate", "none"),
             add.p = 0.50, drop.p = 0.10, nbest = 1, steps = 1000,
             contrasts = NULL, xlev = NULL, ...)

### Specific methods for ore.lm objects
\S3method{summary}{ore.lm}(object, correlation = FALSE, symbolic.cor = FALSE, ...)

\S3method{logLik}{ore.lm}(object, REML = FALSE, ...)

\S3method{hatvalues}{ore.lm}(model, ...)

\S3method{vcov}{ore.lm}(object, ...)

\S3method{predict}{ore.lm}(object, newdata, se.fit = FALSE, scale = NULL, df = Inf, 
        interval = c("none", "confidence", "prediction"),
        level = 0.95, na.action = na.pass, pred.var = NULL,
        weights = NULL, supplemental.cols = NULL, ...)

\S3method{add1}{ore.lm}(object, scope, scale = 0, test = c("none", "Chisq", "F"),
     x = NULL, k = 2, ...)

\S3method{drop1}{ore.lm}(object, scope, scale = 0, all.cols = TRUE,
      test = c("none", "Chisq", "F"), k = 2, ...)

### Inherited methods for ore.lm objects
#anova(object, ...)
#coef(object, ...)
#coefficients(object, ...)
#confint(object, parm, level = 0.95, ...)
#deviance(object, ...)
#effects(object, ...)
#extractAIC(fit, scale, k = 2, ...)
#fitted(object, ...)
#fitted.values(object, ...)
#formula(x, ...)
#model.frame(formula, ...)
#nobs(object, ...)
#resid(object, ...)
#residuals(object, ...)
#weights(object, ...)
}
\arguments{
  \item{formula}{
Ein \code{\link[stats]{formula}}-Objekt, das das Modell 
    (\code{ore.lm}) oder anfängliche Modell (\code{ore.stepwise}) darstellt, das
    angepasst werden muss. Die Formel muss die Form \code{response ~ terms} haben, wobei
    \code{response} eine einzelne Variable darstellt und 
    \code{terms} von den \code{ore.number}- und
    \code{ore.factor}-Spalten aus dem \code{data}-Argument abgeleitet werden.
}
  \item{data}{
Ein \code{ore.frame}-Objekt, das die Daten für das Modell angibt.
    Leerzeichen werden in keinem der Spaltennamen unterstützt, 
    die in dem \code{formula}-Argument verwendet werden.
}
  \item{weights}{
In Funktion \code{ore.lm} ein optionales \code{ore.number}-
    Objekt, das die analytische Gewichtung in dem Modell angibt.
    In Funktion \code{predict.ore.lm} wenn Argument \code{interval} 
    \code{"prediction"} ist, Argument \code{pred.val} \code{NULL} ist und
    \code{object$weights} nicht \code{NULL} ist, die Varianzgewichtungen
    für die Vorhersagen als ein
    \code{\link[OREbase:ore.numeric-class]{ore.numeric}}-Objekt oder ein
      einseitiges Modell \code{\link[stats]{formula}}, das Daten
      innerhalb des Arguments referenziert \code{newdata}.
}
  \item{ supplemental.cols }{
Zusätzliche Spalten, die in dem Vorhersageergebnis
  aus dem \code{newdata}-Dataset einbezogen werden sollen.
}
  \item{contrasts}{
Ein optionaler benannter \code{\link[base]{list}}-Wert, der für das
    \code{contrasts.arg}-Argument von
    \code{\link[stats]{model.matrix}} angegeben werden muss.
}
  \item{xlev}{
Eine optionales, benanntes \code{\link[base]{list}} von 
    \code{\link[base]{character}}-Vektoren, die die 
    \code{\link[base]{levels}} für jede 
    \code{\link[OREbase:ore.factor-class]{ore.factor}}-Variable angeben.
}
  \item{scope}{
Der Modellbereich, der in der schrittweisen Prozedur
    untersucht werden soll; entweder ein einzelnes \code{\link[stats]{formula}}-Objekt,
    das das obere Modell darstellt, oder ein Listenobjekt, das 
    \code{"lower"} und \code{"upper"} \code{\link[stats]{formula}}-
    Objektelemente enthält.
}
  \item{direction}{
Der schrittweise Suchmodus; entweder \code{"both"} (erst wird
    versucht, einen Term mit dem \code{add.p}-Argumentwert hinzuzufügen und dann
    Terme wiederholt mit dem \code{drop.p}-Argumentwert zu löschen), 
    \code{"backward"}, \code{"forward"}, \code{"alternate"} (entspricht
    \code{"both"}, jedoch wird nur ein Löschversuch pro Hinzufügung versucht) oder
    \code{"none"} mit einem Standardwert von \code{"both"}.
}
  \item{add.p}{
Der P-Schwellenwert des F-Tests für das Hinzufügen eines Terms 
    zum Modell.
}
  \item{drop.p}{
Der P-Schwellenwert des F-Tests für das Entfernen eines Terms aus 
    dem Modell.
}
  \item{nbest}{
Die Anzahl der besten Modelle, die gemäß der Auswahlkriterien
    bei jedem Schritt zu melden ist.
}
  \item{steps}{
Die Höchstanzahl der Schritte, die durchgeführt werden sollen.
}
  \item{object, model, newdata}{
\code{ore.lm}-Objekt.
}
  \item{correlation, symbolic.cor}{
Argument wurde nicht implementiert.
}
  \item{REML}{
Argument wurde nicht implementiert.
}
  \item{se.fit}{
Ein logischer Wert, der angibt, ob die Standardfehler
    für die Vorhersagen zurückgegeben werden sollen.
}
  \item{scale}{
Der Skalierungsparameter für Standardfehler der Vorhersagen.
}
  \item{df}{
Die Freiheitsgrade für die Vorhersagen, wenn Argument
    \code{scale} nicht \code{NULL} ist.
}
  \item{interval}{
Der zurückzugebende Intervalltyp, entweder \code{"none"},
    \code{"confidence"} oder \code{"prediction"}.
}
  \item{level}{
Die Ebene für Argument \code{interval}.
}
  \item{na.action}{
Die Art, in der \code{NA}-Werte behandelt werden,
    entweder \code{na.omit} oder \code{na.pass}.
}
  \item{pred.var}{
Wenn Argument \code{interval} \code{"prediction"} ist,
    die Varianz für eine einzelne Beobachtung.
}
  \item{test, x, k, all.cols}{
Siehe Funktion \code{\link[stats]{add1}}.
}
  \item{\dots}{
Zusätzliche Argumente.
}
}




\details{
Die \code{ore.lm}- und \code{ore.stepwise}-Funktionen führen die Regression der kleinsten
  Quadrate bzw. schrittweise Regression der kleinsten Quadrate
  mit Daten durch, die in \code{ore.frame}-Objekten dargestellt werden.
  Eine Modellanpassung wird mit Embedded R-MapReduce-Vorgängen durchgeführt, 
  wobei der Map-Vorgang QR-Zerlegungen oder Matrixkreuzprodukte
  erstellt, je nach Anzahl der Koeffizienten, die geschätzt werden.
  Die zugrundeliegenden Modellmatrizen werden mit 
  \code{model.matrix} oder \code{sparse.model.matrix} erstellt, je nach Datendichte.
  Nachdem die Koeffizienten für das Modell geschätzt wurden,
  erfolgt ein weiterer Datendurchlauf, um die Modellebenenstatistiken zu schätzen.
  Bei Ausführung der Vorwärts-, Rückwärts- oder schrittweisen Auswahl werden die XtX-
  und Xty-Matrizes aufgeteilt, um die p-Werte des F-Testes basierend auf
  Koeffizientenschätzungen zu generieren, die mit einer Cholesky-Zerlegung
  der XtX-Teilmengenmatrix generiert wurden.
  Wenn kollineare Terme in dem Modell vorhanden sind, schätzen die Funktionen \code{ore.lm} und
  \code{ore.stepwise} die Koeffizientenwerte für ein kollineares Set von Termen nicht.
  Bei \code{ore.stepwise} wird dieses kollineare Set von Termen
  in der gesamten Prozedur ausgeschlossen.
  Die globale \code{\link[OREbase:ore.options]{"ore.parallel"}}-Option wird von
  \code{ore.lm} verwendet, um den bevorzugten Parallelitätsgrad zu bestimmen,
  der innerhalb des Oracle R Enterprise-Servers verwendet werden soll.
}



\value{
Für \code{ore.lm} wird ein \code{ore.lm}-Objekt zurückgegeben.
  Für \code{summary.ore.lm} wird ein \code{summary.ore.lm}-Objekt zurückgegeben.
  Für \code{ore.stepwise} wird ein \code{ore.stepwise}-Objekt zurückgegeben
  Hinweis: Die von Argument \code{data} referenzierten Trainingsdaten sind
  erforderlich, um Metainformationen zum \code{ore.lm}-Objekt zu erzeugen.
}
\references{
  \href{http://www.oracle.com/technetwork/database/database-technologies/r/r-enterprise/documentation/index.html}{Oracle R Enterprise}
}
\author{
  Oracle \email{oracle-r-enterprise@oracle.com}
}
\seealso{
  \link[OREstats]{model.matrix,formula-method} (\pkg{OREstats} package),
  \code{\link{ore.glm}},
  \code{\link[stats]{lm}},
  \code{\link[stats]{step}},
  \code{\link[OREbase:ore.options]{ore.parallel}}
}
\examples{
  # Create database table
  library(OREstats)
  LONGLEY <- ore.push(longley)

  # Fit full model
  oreFit1 <- ore.lm(Employed ~ ., data = LONGLEY)
  summary(oreFit1)

  # Two stepwise alternatives
  oreStep1 <-
    ore.stepwise(Employed ~ .^2, data = LONGLEY, add.p = 0.1, drop.p = 0.1)
  oreStep2 <-
    step(ore.lm(Employed ~ 1, data = LONGLEY),
         scope = terms(Employed ~ .^2, data = LONGLEY))
}
\keyword{regression}