← Back to branch summary

~ubuntu-branches/ubuntu/wily/grass/wily

« back to all changes in this revision

Viewing changes to .pc/allows-to-typo.patch/raster/r.regression.multi/r.regression.multi.html

Tags: 7.0.0~rc1+ds1-1~exp1
http://bugs.debian.org/776349
* New upstream release candidate.
* Repack upstream tarball, remove precompiled Python objects.
* Add upstream metadata.
* Update gbp.conf and Vcs-Git URL to use the experimental branch.
* Update watch file for GRASS 7.0.
* Drop build dependencies for Tcl/Tk, add build dependencies:
  python-numpy, libnetcdf-dev, netcdf-bin, libblas-dev, liblapack-dev
* Update Vcs-Browser URL to use cgit instead of gitweb.
* Update paths to use grass70.
* Add configure options: --with-netcdf, --with-blas, --with-lapack,
  remove --with-tcltk-includes.
* Update patches for GRASS 7.
* Update copyright file, changes:
  - Update copyright years
  - Group files by license
  - Remove unused license sections
* Add patches for various typos.
* Fix desktop file with patch instead of d/rules.
* Use minimal dh rules.
* Bump Standards-Version to 3.9.6, no changes.
* Use dpkg-maintscript-helper to replace directories with symlinks.
  (closes: #776349)
* Update my email to use @debian.org address.

Show diffs side-by-side

added added

removed removed

Lines of Context:
.pc/allows-to-typo.patch/raster/r.regression.multi/r.regression.multi.html
 
1
<h2>DESCRIPTION</h2>
 
2
 
 
3
<em>r.regression.multi</em> calculates a multiple linear regression from
 
4
raster maps, according to the formula
 
5
<div class="code"><pre>
 
6
Y = b0 + sum(bi*Xi) + E
 
7
</pre></div>
 
8
where
 
9
<div class="code"><pre>
 
10
X = {X1, X2, ..., Xm}
 
11
m = number of explaining variables
 
12
Y = {y1, y2, ..., yn}
 
13
Xi = {xi1, xi2, ..., xin}
 
14
E = {e1, e2, ..., en}
 
15
n = number of observations (cases)
 
16
</pre></div>
 
17
 
 
18
In R notation:
 
19
<div class="code"><pre>
 
20
Y ~ sum(bi*Xi)
 
21
b0 is the intercept, X0 is set to 1
 
22
</pre></div>
 
23
 
 
24
<p>
 
25
<em>r.regression.multi</em> is designed for large datasets that can not
 
26
be processed in R. A p value is therefore not provided, because even
 
27
very small, meaningless effects will become significant with a large
 
28
number of cells. Instead it is recommended to judge by the estimator b,
 
29
the amount of variance explained (R squared for a given variable) and
 
30
the gain in AIC (AIC without a given variable minus AIC global must be
 
31
positive) whether the inclusion of a given explaining variable in the
 
32
model is justified.
 
33
 
 
34
<h4>The global model</h4>
 
35
The <em>b</em> coefficients (b0 is offset), R squared or coefficient of
 
36
determination (Rsq) and F are identical to the ones obtained from
 
37
R-stats's lm() function and R-stats's anova() function. The AIC value
 
38
is identical to the one obtained from R-stats's stepAIC() function
 
39
(in case of backwards stepping, identical to the Start value). The
 
40
AIC value corrected for the number of explaining variables and the BIC
 
41
(Bayesian Information Criterion) value follow the logic of AIC.
 
42
 
 
43
<h4>The explaining variables</h4>
 
44
R squared for each explaining variable represents the additional amount
 
45
of explained variance when including this variable compared to when
 
46
excluding this variable, that is, this amount of variance is explained
 
47
by the current explaining variable after taking into consideration all
 
48
the other explaining variables.
 
49
<p>
 
50
The F score for each explaining variable allows to test if the inclusion
 
51
of this variable significantly increases the explaining power of the
 
52
model, relative to the global model excluding this explaining variable.
 
53
That means that the F value for a given explaining variable is only
 
54
identical to the F value of the R-function <em>summary.aov</em> if the
 
55
given explaining variable is the last variable in the R-formula. While
 
56
R successively includes one variable after another in the order
 
57
specified by the formula and at each step calculates the F value
 
58
expressing the gain by including the current variable in addition to the
 
59
previous variables, <em>r.regression.multi</em> calculates the F-value
 
60
expressing the gain by including the current variable in addition to all
 
61
other variables, not only the previous variables.
 
62
<p>
 
63
The AIC value is identical to the one obtained from the R-function
 
64
stepAIC() when excluding this variable from the full model. The AIC
 
65
value corrected for the number of explaining variables and the BIC value
 
66
(Bayesian Information Criterion) value follow the logic of AIC. BIC is
 
67
identical to the R-function stepAIC with k = log(n). AICc is not
 
68
available through the R-function stepAIC.
 
69
 
 
70
<h2>EXAMPLE</h2>
 
71
 
 
72
Multiple regression with soil K-factor and elevation, aspect, and slope
 
73
(North Carolina dataset). Output maps are the residuals and estimates:
 
74
<div class="code"><pre>
 
75
g.region raster=soils_Kfactor -p
 
76
r.regression.multi mapx=elevation,aspect,slope mapy=soils_Kfactor \
 
77
  residuals=soils_Kfactor.resid estimates=soils_Kfactor.estim
 
78
</pre></div>
 
79
 
 
80
<h2>AUTHOR</h2>
 
81
 
 
82
Markus Metz
 
83
 
 
84
<p><i>Last changed: $Date: 2014-12-19 22:55:37 +0100 (Fri, 19 Dec 2014) $</i>