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 선형 및 단계적 선형 회귀 모델
}
\description{
\code{ore.frame} 데이터에 선형 회귀 및 단계적 선형 회귀 모델을
  맞추기 위한 모델 함수입니다.
}
\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}{
맞출 모델(\code{\link[stats]{formula}}) 또는 초기 모델(\code{ore.lm})을 나타내는
    \code{ore.stepwise} 객체입니다.
    공식은 \code{response ~ terms} 형식이어야 합니다. 여기서
    \code{response}은(는) 단일 변수를 나타내며,
    \code{terms}은(는) \code{ore.number} 인수의 \code{ore.factor} 및
    \code{data} 열에서 파생됩니다.
}
  \item{data}{
모델에 대한 데이터를 지정하는 \code{ore.frame} 객체입니다.
    \code{formula} 인수에 사용된 열 이름에서는 공백이
    지원되지 않습니다.
}
  \item{weights}{
\code{ore.lm} 함수에서 모델의 분석 가중치를
    지정하는 선택적인 \code{ore.number} 객체입니다.
    \code{predict.ore.lm} 함수에서 \code{interval} 인수가 \code{"prediction"}이고
    \code{pred.val} 인수가 \code{NULL}이고, \code{object$weights}이(가)
    \code{NULL}이 아닐 때 \code{\link[OREbase:ore.numeric-class]{ore.numeric}} 객체 또는
    \code{\link[stats]{formula}} 인수 내에서
      데이터를 참조하는 단방향 모델 \code{newdata}(으)로
      예측에 편차가 가중 적용됩니다.
}
  \item{ supplemental.cols }{
\code{newdata} 데이터 집합의 예측 결과에 포함할
  추가 열입니다.
}
  \item{contrasts}{
\code{\link[base]{list}}의 \code{contrasts.arg} 인수에
    제공할 선택적 이름 지정된
    \code{\link[stats]{model.matrix}}입니다.
}
  \item{xlev}{
각 \code{\link[base]{list}} 변수에 대한
    \code{\link[base]{character}}을(를) 지정하는
    \code{\link[base]{levels}} 벡터의 선택적 이름
    지정된 \code{\link[OREbase:ore.factor-class]{ore.factor}}입니다.
}
  \item{scope}{
단계적 절차 안에서 조사할 모델의 범위입니다.
    상한 모델을 나타내는 단일 \code{\link[stats]{formula}} 객체 또는
    \code{"lower"} 및 \code{"upper"} \code{\link[stats]{formula}} 객체 요소를 포함하는
    목록 객체입니다.
}
  \item{direction}{
단계별 검색 모드입니다. \code{"both"}(먼저 \code{add.p} 인수 값을
    사용하여 항을 추가한 후 \code{drop.p} 인수 값을 사용하여
    항을 삭제하려고 반복적으로 시도),
    \code{"backward"}, \code{"forward"}, \code{"alternate"}(\code{"both"}과(와)
    비슷하지만 추가 시도당 삭제를 한 번만 시도함) 또는 \code{"none"}의
    기본값을 포함하는 \code{"both"} 중 하나입니다.
}
  \item{add.p}{
모델에 항을 추가하기 위한 F-테스트 p-값
    임계값입니다.
}
  \item{drop.p}{
모델에서 항을 제거하기 위한 F-테스트 p-값
    임계값입니다.
}
  \item{nbest}{
선택 기준에 따라 각 단계에서 보고할
    최상 모델 수입니다.
}
  \item{steps}{
만들려는 최대 단계 수입니다.
}
  \item{object, model, newdata}{
\code{ore.lm} 객체입니다.
}
  \item{correlation, symbolic.cor}{
구현되지 않은 인수입니다.
}
  \item{REML}{
구현되지 않은 인수입니다.
}
  \item{se.fit}{
예측의 표준 오류를 반환할지 여부를
    나타내는 논리 값입니다.
}
  \item{scale}{
예측의 표준 오류에 대한 배율 매개변수입니다.
}
  \item{df}{
\code{scale} 인수가 \code{NULL}이(가) 아닐 때 예측에 대한
    자유도 정도입니다.
}
  \item{interval}{
반환할 간격 유형으로, \code{"none"},
    \code{"confidence"} 또는 \code{"prediction"}입니다.
}
  \item{level}{
\code{interval} 인수의 레벨입니다.
}
  \item{na.action}{
\code{NA} 값이 처리되는 방식으로,
    \code{na.omit} 또는 \code{na.pass}입니다.
}
  \item{pred.var}{
\code{interval} 인수가 \code{"prediction"}이면,
    단일 관찰의 분산입니다.
}
  \item{test, x, k, all.cols}{
\code{\link[stats]{add1}} 함수를 참조하십시오.
}
  \item{\dots}{
추가 인수입니다.
}
}




\details{
\code{ore.lm} 및 \code{ore.stepwise} 함수는 \code{ore.frame} 객체에 표시된 데이터에
  대해 최소 제곱 회귀 및 단계적 최소 제곱
  회귀를 각각 수행합니다.
  모델 맞추기는 포함된 R 맵/감소 작업을 사용하여
  생성됩니다. 여기서 맵 작업은 예측할 계수의 개수에 따라
  QR 분해 또는 행렬 상호 곱을 생성합니다.
  희소성에 따라 \code{model.matrix} 또는 \code{sparse.model.matrix}을(를) 사용하여
  기본 모델 행렬이 생성됩니다.
  모델의 계수가 예측된 다음에는 모델 레벨 통계를
  예측하기 위해 또 다른 데이터 전달이 수행됩니다.
  정방향, 역방향 또는 단계적 선택이 수행될 때 XtX 및
  Xty 행렬은 XtX 부분 집합 행렬의 촐레스키 분해를 사용하여
  생성된 계수 예측을 기반으로 F-테스트 p-값을 생성하도록
  하위 설정됩니다.
  모델에 공선형 항이 있으면 \code{ore.lm} 및 \code{ore.stepwise} 함수가 항의
  공선형 집합에 대한 계수 값을 예측하지
  않습니다. \code{ore.stepwise}의 경우 항의
  공선형 집합은 프로시저 전체에서
  제외됩니다.
  \code{\link[OREbase:ore.options]{"ore.parallel"}} 전역 옵션은
  Oracle R Enterprise 서버 내에서 사용할 선호 병렬도를
  결정하기 위해 \code{ore.lm}에 사용됩니다.
}



\value{
\code{ore.lm}의 경우 \code{ore.lm} 객체를 반환합니다.
  \code{summary.ore.lm}의 경우에는 \code{summary.ore.lm} 객체를 반환합니다.
  \code{ore.stepwise}의 경우에는 \code{ore.stepwise} 객체를 반환합니다.
  참고: \code{data} 인수에서 참조되는 교육 데이터는
  \code{ore.lm} 객체에 대한 메타 정보를 생성하기 위해 필요합니다.
}
\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}