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 线性和分步线性回归模型
}
\description{
用于按 \code{ore.frame} 数据拟合线性回归和分步线性
  回归模型的模型函数。
}
\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}{
用于表示要拟合的
    模型 (\code{\link[stats]{formula}}) 或初始模型 (\code{ore.lm}) 的
    \code{ore.stepwise} 对象。此公式必须采用格式 \code{response ~ terms}, 其中
    \code{response} 表示单个变量,
    \code{terms} 派生自 \code{ore.number},
    \code{ore.factor} 列派生自 \code{data} 参数。
}
  \item{data}{
用于指定模型数据的 \code{ore.frame}
    对象。\code{formula} 参数中使用的任何列名中
    均不支持空格。
}
  \item{weights}{
在函数 \code{ore.lm} 中, 可选 \code{ore.number}
    对象指定模型中的分析权重。
    在 \code{predict.ore.lm} 中, 参数 \code{interval} 为
    \code{"prediction"}, 参数 \code{pred.val} 为 \code{NULL} 且
    \code{object$weights} 不是 \code{NULL} 时, 则为预测的
    方差权重, 可以是
    \code{\link[OREbase:ore.numeric-class]{ore.numeric}} 对象或者
      引用参数 \code{\link[stats]{formula}} 中数据的
      单侧模型 \code{newdata}。
}
  \item{ supplemental.cols }{
来自 \code{newdata} 数据集要包括在预测结果中的
  附加列。
}
  \item{contrasts}{
要提供给 \code{\link[base]{list}} 的
    \code{contrasts.arg} 参数的可选指定
    \code{\link[stats]{model.matrix}}。
}
  \item{xlev}{
用于为每个
    \code{\link[base]{list}} 变量指定 \code{\link[base]{character}} 的
    \code{\link[base]{levels}} 向量的
    可选指定 \code{\link[OREbase:ore.factor-class]{ore.factor}}。
}
  \item{scope}{
要在分步过程中检查的模型
    范围; 单个表示上层模型的
    \code{\link[stats]{formula}} 对象或一个包含
    \code{"lower"} 和 \code{"upper"} \code{\link[stats]{formula}} 对象元素的
    列表对象。
}
  \item{direction}{
分布搜索模式; \code{"both"} 之一 (首先
    尝试使用 \code{add.p} 参数值添加条目, 然后尝试
    重复以使用 \code{drop.p} 参数值删除条目), 
    \code{"backward"}, \code{"forward"}, \code{"alternate"} (类似于
    \code{"both"}, 但每次添加尝试之后只尝试一次删除) 或
    具有默认 \code{"none"} 的 \code{"both"}。
}
  \item{add.p}{
用于向模型添加条目的 F 测试 p 值
    阈值。
}
  \item{drop.p}{
用于从模型删除条目的 F 测试 p 值
    阈值。
}
  \item{nbest}{
按照选择标准要在每个步骤中报告的
    最佳模型数。
}
  \item{steps}{
要执行的最多步骤数。
}
  \item{object, model, newdata}{
\code{ore.lm} 对象。
}
  \item{correlation, symbolic.cor}{
未实施参数。
}
  \item{REML}{
未实施参数。
}
  \item{se.fit}{
一个用于指示是否为预测返回标准误差的
    逻辑值。
}
  \item{scale}{
预测的标准误差的标度参数。
}
  \item{df}{
参数 \code{scale} 不是 \code{NULL} 时的预测的
    自由度。
}
  \item{interval}{
要返回的区间的类型, 可以为 \code{"none"},
    \code{"confidence"} 或 \code{"prediction"}。
}
  \item{level}{
参数 \code{interval} 的级别。
}
  \item{na.action}{
处理 \code{NA} 值的方式,
    \code{na.omit} 或 \code{na.pass}。
}
  \item{pred.var}{
参数 \code{interval} 为 \code{"prediction"} 时,
    一次观察的方差。
}
  \item{test, x, k, all.cols}{
请参阅函数 \code{\link[stats]{add1}}。
}
  \item{\dots}{
附加参数。
}
}




\details{
\code{ore.lm} 和 \code{ore.stepwise} 函数分别
  对 \code{ore.frame} 对象中表示的数据执行
  最小二乘法回归和分步最小二乘法回归。
  使用嵌入式 R 映射/减少操作生成模型拟合,
  其中映射操作创建 QR 分解或叉积矩阵,
  具体取决于要估算系数的
  数量。将使用 \code{model.matrix} 或 \code{sparse.model.matrix} 创建
  基础模型矩阵, 具体取决于矩阵的
  稀疏性。估算出模型的系数后,
  将第二次传递数据以估算模型级别的统计信息。
  执行前向, 后向或分步选择时, XtX
  和 Xty 矩阵将构造子集, 基于使用 XtX 子集矩阵的
  Choleski 分解得到的系数估算,
  生成 F 测试 p 值。
  如果模型中存在共线的条目, 则函数 \code{ore.lm} 和
  \code{ore.stepwise} 将不会估算一组共线
  条目的系数值。对于 \code{ore.stepwise},
  此组共线条目将在整个过程中被
  排除在外。
  \code{\link[OREbase:ore.options]{"ore.parallel"}} 使用 \code{ore.lm} 全局选项来
  确定要在 Oracle R Enterprise 服务器中
  使用的首选并行度。
}



\value{
对于 \code{ore.lm}, 返回 \code{ore.lm} 对象。
  对于 \code{summary.ore.lm}, 返回 \code{summary.ore.lm} 对象。
  对于 \code{ore.stepwise}, 返回 \code{ore.stepwise} 对象。
  注: 生成有关 \code{data} 对象的元信息
  需要参数 \code{ore.lm} 引用的培训数据。
}
\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}