Monday, March 16, 2020

Decision-making.

We can make powerful and insightful predictions to support

> decision-making.
 head(leaps)
                                                                                         
1 function (x, y, wt = rep(1, NROW(x)), int = TRUE, method = c("Cp",                     
2     "adjr2", "r2"), nbest = 10, names = NULL, df = NROW(x), strictly.compatible = TRUE)
3 {                                                                                     
4     if (!is.logical(int))                                                             
5         stop("int should be TRUE or FALSE")                                           
6     if (!is.null(names))                                                               
> fit=lm(BSAAM~., data=socal.water)
Error in is.data.frame(data) : object 'socal.water' not found
>
> fit=lm(BSAAM~.,data=socal.water)
Error in is.data.frame(data) : object 'socal.water' not found
> x<-matrix(rnorm(100),ncol=4)
> y<-rnorm(25)
> leaps(x,y)
$which
      1     2     3     4
1 FALSE FALSE FALSE  TRUE
1  TRUE FALSE FALSE FALSE
1 FALSE FALSE  TRUE FALSE
1 FALSE  TRUE FALSE FALSE
2  TRUE FALSE FALSE  TRUE
2 FALSE FALSE  TRUE  TRUE
2 FALSE  TRUE FALSE  TRUE
2  TRUE FALSE  TRUE FALSE
2  TRUE  TRUE FALSE FALSE
2 FALSE  TRUE  TRUE FALSE
3  TRUE FALSE  TRUE  TRUE
3  TRUE  TRUE FALSE  TRUE
3 FALSE  TRUE  TRUE  TRUE
3  TRUE  TRUE  TRUE FALSE
4  TRUE  TRUE  TRUE  TRUE

$label
[1] "(Intercept)" "1"           "2"           "3"         
[5] "4"         

$size
 [1] 2 2 2 2 3 3 3 3 3 3 4 4 4 4 5

$Cp
 [1] 0.291457 1.330360 2.597818 2.800123 1.479960 2.123237 2.214481
 [8] 2.669777 3.315351 4.290161 3.099933 3.465247 3.937318 4.529656
[15] 5.000000

> data(swiss)
> a<-regsubsets(as.matrix(swiss[,-1]),swiss[,1])
> summary(a)
Subset selection object
5 Variables  (and intercept)
                 Forced in Forced out
Agriculture          FALSE      FALSE
Examination          FALSE      FALSE
Education            FALSE      FALSE
Catholic             FALSE      FALSE
Infant.Mortality     FALSE      FALSE
1 subsets of each size up to 5
Selection Algorithm: exhaustive
         Agriculture Examination Education Catholic Infant.Mortality
1  ( 1 ) " "         " "         "*"       " "      " "           
2  ( 1 ) " "         " "         "*"       "*"      " "           
3  ( 1 ) " "         " "         "*"       "*"      "*"           
4  ( 1 ) "*"         " "         "*"       "*"      "*"           
5  ( 1 ) "*"         "*"         "*"       "*"      "*"           
> b<-regsubsets(Fertility~.,data=swiss,nbest=2)
> summary(b)
Subset selection object
Call: regsubsets.formula(Fertility ~ ., data = swiss, nbest = 2)
5 Variables  (and intercept)
                 Forced in Forced out
Agriculture          FALSE      FALSE
Examination          FALSE      FALSE
Education            FALSE      FALSE
Catholic             FALSE      FALSE
Infant.Mortality     FALSE      FALSE
2 subsets of each size up to 5
Selection Algorithm: exhaustive
         Agriculture Examination Education Catholic Infant.Mortality
1  ( 1 ) " "         " "         "*"       " "      " "           
1  ( 2 ) " "         "*"         " "       " "      " "           
2  ( 1 ) " "         " "         "*"       "*"      " "           
2  ( 2 ) " "         " "         "*"       " "      "*"           
3  ( 1 ) " "         " "         "*"       "*"      "*"           
3  ( 2 ) "*"         " "         "*"       "*"      " "           
4  ( 1 ) "*"         " "         "*"       "*"      "*"           
4  ( 2 ) " "         "*"         "*"       "*"      "*"           
5  ( 1 ) "*"         "*"         "*"       "*"      "*"           
> coef(a, 1:3)
[[1]]
(Intercept)   Education
 79.6100585  -0.8623503

[[2]]
(Intercept)   Education    Catholic
 74.2336892  -0.7883293   0.1109210

[[3]]
     (Intercept)        Education         Catholic Infant.Mortality
     48.67707330      -0.75924577       0.09606607       1.29614813

> vcov(a, 3)
                  (Intercept)     Education      Catholic
(Intercept)      62.711883147 -0.2349982009 -0.0011120059
Education        -0.234998201  0.0136416868  0.0004427309
Catholic         -0.001112006  0.0004427309  0.0007408169
Infant.Mortality -2.952862263  0.0033603646 -0.0017163629
                 Infant.Mortality
(Intercept)          -2.952862263
Education             0.003360365
Catholic             -0.001716363
Infant.Mortality      0.149759535
> plot(a)
> plot(a,scale="r2")
PAIRS

PLOTS

No comments:

Post a Comment

Black-Scholes formula-R

 Black-Scholes formula-R > BlackScholes <- function(TypeFlag = c("c", "p"), S, X, Time, r, b, sigma) { TypeFla...