数学建模教师的薪金Word格式.docx
《数学建模教师的薪金Word格式.docx》由会员分享,可在线阅读,更多相关《数学建模教师的薪金Word格式.docx(28页珍藏版)》请在冰豆网上搜索。
2、各参数对薪金的影响呈线性关系;
3、工作时间、性别、教育程度及培训情况之间相互独立,没有交互作用;
四、符号说明:
Z:
月薪(元);
X1:
工作时间(月);
X2:
1男性,女性;
X3:
1男性或单身女性,0已婚女性;
X4:
学历(取值0-6,值越大表示学历越高);
X5:
1受雇于重点大学,0其它;
X6:
1受过培训的毕业生,0未受过培训的毕业生或受过培训的肄业生;
X7:
1已两年以上未从事教学工作,0其它。
五、分析与建立模型:
首先,调用所有相关变量,运用Matlab分别得到,Z与X1--X7之间的关系及散点图,由此知Z与各变化量呈线性关系,于是可以建立线性回归模型:
Z(薪金)为因变量,X1--X7分别表示对Z的值产生影响的各个变量,
表示回归系数,
表示随机变量.
用Matlab求解模型(见附录),得到
的值与置信区间如下:
参数
参数估计值
置信区间
1.1311
[1.02681.2353]
0.0027
[0.00230.0031]
-0.0229
[-0.14320.0974]
0.0094
[-0.10050.1193]
0.1089
[0.02960.1882]
0.0385
[-0.06700.1440]
0.1817
[-0.05070.4142]
[00]
=0.7889
F=51.6934
P=0
表一
由上表中
=0.7889可以知道薪金(
)的78.89%可由模型确定,由P=0远小于0.05,模型从整体上看是成立的,但是还可以看到一个问题,即些部分的置信区间包含0点,因此我们可以知道这些变量对因变量的影响是不显著的.在Matlab中运行stepwise命令得到下图:
由图可知,在模型中
对因变量的影响是不显著的.
于是只保留
,并将它们的交互项和平方项加入,建立逐步线性回归方程如下:
然后使用Matlab求解模型(程序见附录),得到
值与置信区间如下:
6.9026
[6.85576.9496]
0.0043
[0.00370.0049]
0.1746
[0.10730.2419]
-0.0001
[-0.00030.0001]
-0.0000
[-0.0000-0.0000]
-0.0228
[-0.0371-0.0085]
=0.9008
F=152.6081
通过新建模型中得到的数据,可以看到
明显提高,薪金
的90.08%可由模型确定.
远小于0.05,F远超过临界值,回归模型更为显著,可靠度增高.
然后进行残差分析,在Matlab中运行命令rcoplot得到残差图如下:
由图可知,除个别数据外,其他数据的残差离零点均较近,且残差的置信区间都包含零点.这说明回归模型能较好地符合原始数据,而个别异常点可以忽略.
六、模型的评价
优点:
1.该方案实用简单,可行性强,模型简单,易于理解。
2.模型一首先用简单的线性规划进行分析.结构简单,计算方便,有利于对相似问题进行求解和对模型进行扩充。
3.模型二的建立是从一般问题到特殊问题的发展过程.根据已知的数据,从常识和经验进行初步分析,并运用了逐步线性回归方法以及辅作散点图,决定取那几个回归变量及它们的函数形式.把对
影响不显著的变量(
)予以排除,又运用残值分析法建立新的回归模型.使得精确值增高,模型更合理.
缺点:
1该模型在处理此问题时有假设与理想化的思想,与实际问题的求解
还有所差距.比如所求模型结果只达到了模型设想的80%左右.
七、参考文献
【01】赵静,数学建模与数学实验,北京,高等教育出版社,2003
【02】苏彦华,MATLAB7.0从入门到精通,北京,人民邮电出版社,2010
八、附录:
1、薪金模型数据表:
编号
Z
X1
X2
X3
X4
X5
X6
X7
1
998
7
2
1015
14
3
1028
18
4
1250
19
5
6
1018
27
8
1072
30
9
1290
10
1204
11
1352
31
12
13
1104
38
1118
41
15
1127
42
16
1259
17
1095
47
20
1113
52
21
1462
22
1182
54
23
1404
24
25
1594
55
26
1459
66
1237
67
28
29
1496
75
1424
78
79
32
1347
91
33
1342
92
34
1310
94
35
1814
103
36
1534
37
1430
1439
111
39
1946
114
40
2216
1834
1416
117
43
2052
139
44
2087
140
45
2264
154
46
2201
158
2992
159
48
1695
162
49
1792
167
50
1690
173
51
1827
174
2604
175
53
1720
199
209
2159
56
1852
210
57
2104
213
58
220
59
222
60
2210
61
2266
223
62
2027
63
227
64
232
65
1995
235
2616
245
2324
253
68
257
69
2054
260
70
2617
284
71
1948
287
72
290
73
308
74
309
1942
319
76
325
77
326
329
2048
337
80
2334
346
81
355
82
357
83
2117
380
84
2742
387
85
2740
403
86
406
87
437
88
2436
453
89
2067
458
90
2000
464
2、
与Z的关系及散点图:
>
x1=[7141819191927303030313138414242424247525254545455666767757879919294103103103111114114114117139140154158159162167173174175199209209210213220222222223223227232235245253257260284287290308309319325326329337346355357380387403406437453458464]'
;
|
X1=[ones(90,1)x1];
Z=[99810151028125010281028101810721290120413521204110411181127125911271127109511131462118214041182159414591237123714961424142413471342131018141534143014391946221618341416205220872264220129921695179216901827260417201720215918522104185218522210226620271852185219952616232418522054261719481720260418521942202719421720204823341720194221172742274019422266243620672000]'
x2=[011100001000010110000100101001010000111110100110100100001001010001100110110111010111110001]'
X2=[ones(90,1)x2];
x3=[011110001110010110001100101111110000111110100111100110111001110001110111110111010111111111
x3=[011110001110010110001100101111110000111110100111100110111001110001110111110111010111111111]'
X3=[ones(90,1)x3];
x4=[000000000020000000002000200000000020003440022450000200400000000003000300200000020002200002]'
X4=[ones(90,1)x4];
x5=[001010000001000101000010111101010110011110111010100100101000001001100100111011010001110001]'
X5=[ones(90,1)x5];
x6=[000000000010000000001000100000000010001110011110000100000000000001000100100000010001100001]'
X6=[ones(90,1)x6];
Z=[9981015102812501028102810181072129012041352120411041118112712591127112710951113146211821404118215941459123712371496142414241347134213101814153414301439194622161834