实验13回归分析.docx

1、实验13 回归分析实验13 回归分析【实验目的】1. 了解回归分析的基本原理，掌握MATLAB实现的方法； 2. 练习用回归分析解决实际问题。【实验内容】【题目2】 电影院调查电视广告费用和报纸广告费用对每周收入的影响，得到下面的数据（见下表）， 建立回归模型并进行检验，诊断异常点的存在并进行处理。每周收入9690959295959494电视广告费用1.52.01.52.53.32.34.22.5报纸广告费用5.02.04.02.53.03.52.53.02.1 模型分析本题研究电视广告费用与报纸广告费用对电影收入的影响。我们首先尝试线性回归，由R2 值判断回归模型是否合理。如果不合理， 再采

2、取其他方法进行回归分析。设电视广告费用为，报纸广告费用为，每周电影院收入为y。建立如下模型： 2.2 matlab求解y=96 90 95 92 95 95 94 94;x1=1.5 2.0 1.5 2.5 3.3 2.3 4.2 2.5;x2=5.0 2.0 4.0 2.5 3.0 3.5 2.5 3.0;n=8;m=2;X=ones(8,1),x1,x2;b,bint,r,rint,s=regress(y,X);b,bint,srcoplot(r,rint)得到如下结果：b = 83.2116 1.2985 2.3372bint = 78.8058 87.6174 0.4007 2.196

3、2 1.4860 3.1883s = 0.9089 24.9408 0.0025 0.4897 整理成表格如下：回归系数回归系数估计值回归系数置信区间083.211678.8058 87.617411.29850.4007 2.196222.33721.4860 3.1883R2=0.9089 , F=24.9408 , p=0.0025 , s2=0.4897 在残差及置信区间的图中，第一个点的残差的置信区间不包含零点，以红色标出。残差应该服从均值为0的正态分布，可以认为这个数据是异常的，偏离了数据整体的变化趋势，给模型的有效性的精度带来不利影响，应予以剔除。2.3 剔除点后重新计算删除第一

4、个点后重新计算，将输出结果同样以表格表示。回归系数回归系数估计值回归系数置信区间081.488178.7878 84.188311.28770.7964 1.779022.97662.3281 3.6250R2=0.9768 , F=84.3842 , 0.0005 , s2=0.1257剔除第一个异常点后，R2=0.97685，相比之前有了增加，拟合的线性性有了提高；相比之前的模型，p值也有了明显的减少，远小于显著性水平，这表示置信概率大大提高了；s2 也有了减小，说明了偏差减小。综合以上几点，说明这个二元线性的模型比较合理，回归效果很好。 拟合公式为y=81.4881+1.2877x1+2

5、.9766x2 2.4 小结本题是个较为直观的线性回归题，在它的计算中出现了异常点。剔除后计算可以得到一个回归效果相当好的模型。【题目8】汽车销售商认为汽车销售量与汽油价格、贷款利率有关，两种类型汽车（普通型和豪华型）18个月的调查资料如表，其中是普通型汽车售量（千辆），是豪华型汽车售量（千辆），是汽油价格（元/gal），是贷款利率（%）（1）对普通型和豪华型汽车分别建立如下模型：给出的估计值和置信区间，决定系数值及剩余方差等。（2）用表示汽车类型，建立统一模型，给出给出的估计值和置信区间，决定系数值及剩余方差等。以带入统一模型，将结果与（1）的两个模型的结果比较，解释二者的区别。（3）对统一

6、模型就每种类型汽车分别作和与残差的散点图，有什么现象，说明模型有何缺陷？（4）对统一模型增加二次项和交互相，考察结果有什么改进。8.1 根据模型分别求解 由题意，对普通型和豪华型汽车分别建立如下模型：此为二元线性回归，可用matlab编写程序如下：y1=22.1,15.4,11.7,10.3,11.4,7.5,13.0,12.8,14.6,18.9,19.3,30.1,28.2,25.6,37.5,36.1,39.8,44.3;y2=7.2,5.4,7.6,2.5,2.4,1.7,4.3,3.7,3.9,7.0,6.8,10.1,9.4,7.9,14.1,14.5,14.9,15.6;x1=1

7、.89,1.94,1.95,1.82,1.85,1.78,1.76,1.76,1.75,1.74,1.70,1.70,1.68,1.60,1.61,1.64,1.67,1.68;x2=6.1,6.2,6.3,8.2,9.8,10.3,10.5,8.7,7.4,6.9,5.2,4.9,4.3,3.7,3.6,3.1,1.8,2.3;n=18;m=2;X=ones(n,1),x1,x2;b1,bint1,r1,rint1,s1=regress(y1,X);b2,bint2,r2,rint2,s2=regress(y2,X);subplot(2,1,1)rcoplot(r1,rint1)subplo

8、t(2,1,2)rcoplot(r2,rint2)得到如下图：在残差及置信区间的图中，有三个点的残差的置信区间不包含零点，以红色标出。残差应该服从均值为0的正态分布，可以认为这个数据是异常的，偏离了数据整体的变化趋势，给模型的有效性的精度带来不利影响，应予以剔除。8.2 剔除点后的模型求解（1）对于剔除第14、18个点后继续自此基础上剔除第11个点（2）对于剔除第14个点后继续剔除第七个点，得到残差及置信区间图如下：将输出结果汇总成下表：普通型回归系数回归系数估值回归系数置信区间107.560175.3160 139.8042-37.9283-57.2842 -18.5723-3.0314-3

9、.7862 -2.2767R2=0.9334 F=84.0758 p0.0001 s2=9.2746豪华型回归系数回归系数估值回归系数置信区间29.758316.2864 43.2303-6.7738-14.9774 1.4299-1.6367-1.9680 -1.3054R2=0.9450 F=103.1152 p0.0001 s2=1.5413可得模型如下：普通型：y=107.5601-37.9283x1-3.0314x2豪华型：y=29.7583-6.7738x1-1.6367x28.3 建立统一模型 建立统一模型，用表示普通型，表示豪华型，此时为三元线性回归，可用matlab编写程序如

10、下：y=22.1,15.4,11.7,10.3,11.4,7.5,13.0,12.8,14.6,18.9,19.3,30.1,28.2,25.6,37.5,36.1,39.8,44.3,7.2,5.4,7.6,2.5,2.4,1.7,4.3,3.7,3.9,7.0,6.8,10.1,9.4,7.9,14.1,14.5,14.9,15.6;x1=1.89,1.94,1.95,1.82,1.85,1.78,1.76,1.76,1.75,1.74,1.70,1.70,1.68,1.60,1.61,1.64,1.67,1.68,1.89,1.94,1.95,1.82,1.85,1.78,1.76,1.

11、76,1.75,1.74,1.70,1.70,1.68,1.60,1.61,1.64,1.67,1.68;x2=6.1,6.2,6.3,8.2,9.8,10.3,10.5,8.7,7.4,6.9,5.2,4.9,4.3,3.7,3.6,3.1,1.8,2.3,6.1,6.2,6.3,8.2,9.8,10.3,10.5,8.7,7.4,6.9,5.2,4.9,4.3,3.7,3.6,3.1,1.8,2.3;x3=zeros(1,18),ones(1,18);n=36;m=3;X=ones(n,1),x1,x2,x3;b,bint,r,rint,s=regress(y,X);b,bint,srco

12、plot(r,rint)输出如下结果：b = 64.5753 -16.1436 -2.3322 -14.4222bint = 33.5007 95.6499 -35.1193 2.8320 -3.0705 -1.5939 -17.6546 -11.1898s = 0.8366 54.6111 0.0000 22.6642回归系数回归系数估值回归系数置信区间64.575333.5007 95.6499-16.1436-35.1193 2.8320-2.3322-3.0705 -1.5939-14.4222-17.6546 -11.1898可得模型为：，表示普通型，表示豪华型。即：普通型：豪华型：

13、可以看出：统一模型相当于将分立模型进行了统一：(1)统一模型的值趋近于给分立模型的“平均”；(2)统一模型的残差较大；(3)统一模型的决定系数较小；(4)统一模型的拒绝概率较小，到达了10的-12次方量级，说明模型更加有效；总体上讲，将两者统一后进行回归分析的结果有其优点，但是仍有许多不理想的成分。8.4 就每种类型汽车分别作x1和x2与残差的散点图y=22.1,15.4,11.7,10.3,11.4,7.5,13.0,12.8,14.6,18.9,19.3,30.1,28.2,25.6,37.5,36.1,39.8,44.3,7.2,5.4,7.6,2.5,2.4,1.7,4.3,3.7,3

14、.9,7.0,6.8,10.1,9.4,7.9,14.1,14.5,14.9,15.6;x1=1.89,1.94,1.95,1.82,1.85,1.78,1.76,1.76,1.75,1.74,1.70,1.70,1.68,1.60,1.61,1.64,1.67,1.68,1.89,1.94,1.95,1.82,1.85,1.78,1.76,1.76,1.75,1.74,1.70,1.70,1.68,1.60,1.61,1.64,1.67,1.68;x2=6.1,6.2,6.3,8.2,9.8,10.3,10.5,8.7,7.4,6.9,5.2,4.9,4.3,3.7,3.6,3.1,1.8,2.3,6.1,6.2,6.3,8.2,9.8,10.3,10.5,8.7,7.4,6.9,5.2,4.9,4.3,3.7,3.6,3.1,1.8,2.3;x3=zeros(1,18),ones(1,18);n=36;m=3;X=ones(n,1),x1,x2,x3;b,bint,r,rint,s=regress(y,