回归分析matlab.docx

1、回归分析matlab回归分析MATLAB 一、多元线性回归多元线性回归： 1、确定回归系数的点估计值：命令为：b=regress(Y, X )b表示Y表示X表示2、求回归系数的点估计和区间估计、并检验回归模型：命令为：b, bint,r,rint,stats=regress(Y,X,alpha)bint表示回归系数的区间估计.r表示残差.rint表示置信区间.stats表示用于检验回归模型的统计量,有三个数值：相关系数r2、F值、与F对应的概率p.说明：相关系数越接近1,说明回归方程越显著；时拒绝,F越大,说明回归方程越显著；与F对应的概率p时拒绝H0,回归模型成立.alpha表示显著性水平(

2、缺省时为0.05)3、画出残差及其置信区间. 命令为：rcoplot(r,rint)例1.如下程序.解：(1)输入数据. x=143 145 146 147 149 150 153 154 155 156 157 158 159 160 162 164; X=ones(16,1) x; Y=88 85 88 91 92 93 93 95 96 98 97 96 98 99 100 102;(2)回归分析及检验. b,bint,r,rint,stats=regress(Y,X) b,bint,stats得结果：b = bint = -16.0730 -33.7071 1.5612 0.7194

3、0.6047 0.8340 stats = 0.9282 180.9531 0.0000即；的置信区间为-33.7017,1.5612,的置信区间为0.6047,0.834; r2=0.9282, F=180.9531, p=0.0000,我们知道p0.05就符合条件, 可知回归模型 y=-16.073+0.7194x成立.(3)残差分析,作残差图.rcoplot(r,rint)从残差图可以看出,除第二个数据外,其余数据的残差离零点均较近,且残差的置信区间均包含零点,这说明回归模型 y=-16.073+0.7194x能较好的符合原始数据,而第二个数据可视为异常点. (4)预测及作图.z=b(1

4、)+b(2)*x plot(x,Y,k+,x,z,r)二、多项式回归 (一)一元多项式回归. 1、一元多项式回归： (1)确定多项式系数的命令：p,S=polyfit(x,y,m)说明：x=(x1,x2,xn),y=(y1,y2,yn)；p=(a1,a2,am+1)是多项式y=a1xm+a2xm-1+amx+am+1的系数；S是一个矩阵,用来估计预测误差.(2)一元多项式回归命令：polytool(x,y,m)2、预测和预测误差估计.(1)Y=polyval(p,x)求polyfit所得的回归多项式在x处的预测值Y；(2)Y,DELTA=polyconf(p,x,S,alpha)求polyfi

5、t所得的回归多项式在x处的预测值Y及预测值的显著性为1-alpha的置信区间YDELTA；alpha缺省时为0.5.例1. 观测物体降落的距离s与时间t的关系,得到数据如下表,求s. (关于t的回归方程)t (s)1/302/303/304/305/306/307/30s (cm)11.8615.6720.6026.6933.7141.9351.13t (s)8/309/3010/3011/3012/3013/3014/30s (cm)61.4972.9085.4499.08113.77129.54146.48解法一：直接作二次多项式回归.t=1/30:1/30:14/30; s=11.86

6、15.67 20.60 26.69 33.71 41.93 51.13 61.49 72.90 85.44 99.08 113.77 129.54 146.48; p,S=polyfit(t,s,2)得回归模型为：解法二：化为多元线性回归.t=1/30:1/30:14/30;s=11.86 15.67 20.60 26.69 33.71 41.93 51.13 61.49 72.90 85.44 99.08 113.77 129.54 146.48;T=ones(14,1) t (t.2);b,bint,r,rint,stats=regress(s,T);b,stats得回归模型为：预测及作图

7、：Y=polyconf(p,t,S)plot(t,s,k+,t,Y,r)(二)多元二项式回归多元二项式回归命令：rstool(x,y,model, alpha)说明：x表示nm矩阵；Y表示n维列向量；alpha：显著性水平(缺省时为0.05)；model表示由下列4个模型中选择1个(用字符串输入,缺省时为线性模型)：linear(线性)： purequadratic(纯二次)： interaction(交叉)： quadratic(完全二次)： 例1. 设某商品的需求量与消费者的平均收入、商品价格的统计数据如下,建立回归模型,预测平均收入为1000、价格为6时的商品需求量.需求量1007580

8、7050659010011060收入1000600 1200500300400130011001300300价格5766875439解法一：选择纯二次模型,即.直接用多元二项式回归：x1=1000 600 1200 500 300 400 1300 1100 1300 300;x2=5 7 6 6 8 7 5 4 3 9;y=100 75 80 70 50 65 90 100 110 60;x=x1 x2;rstool(x,y,purequadratic)在左边图形下方的方框中输入1000,右边图形下方的方框中输入6，则画面左边的“Predicted Y”下方的数据变为88.47981,即预测

9、出平均收入为1000、价格为6时的商品需求量为88.4791.在画面左下方的下拉式菜单中选”all”, 则beta、rmse和residuals都传送到Matlab工作区中.在Matlab工作区中输入命令：beta, rmse得结果：beta = 110.5313 0.1464 -26.5709 -0.0001 1.8475 rmse = 4.5362故回归模型为： 剩余标准差为4.5362, 说明此回归模型的显著性较好.解法二：将化为多元线性回归：X=ones(10,1) x1 x2 (x1.2) (x2.2);b,bint,r,rint,stats=regress(y,X);b,stats

10、结果为: b = 110.5313 0.1464 -26.5709 -0.0001 1.8475 stats = 0.9702 40.6656 0.0005三、非线性回归 1、非线性回归：(1)确定回归系数的命令：beta,r,J=nlinfit(x,y,model, beta0)说明：beta表示估计出的回归系数；r表示残差；J表示Jacobian矩阵；x,y表示输入数据x、y分别为矩阵和n维列向量,对一元非线性回归,x为n维列向量；model表示是事先用m-文件定义的非线性函数；beta0表示回归系数的初值.(2)非线性回归命令：nlintool(x,y,model, beta0,alph

11、a)2、预测和预测误差估计：Y,DELTA=nlpredci(model, x,beta,r,J)表示nlinfit 或nlintool所得的回归函数在x处的预测值Y及预测值的显著性为1-alpha的置信区间YDELTA.例1. 如下程序.解：(1)对将要拟合的非线性模型y=a,建立m-文件volum.m如下： function yhat=volum(beta,x) yhat=beta(1)*exp(beta(2)./x);(2)输入数据： x=2:16; y=6.42 8.20 9.58 9.5 9.7 10 9.93 9.99 10.49 10.59 10.60 10.80 10.60 1

12、0.90 10.76; beta0=8 2;(3)求回归系数：； beta,r ,J=nlinfit(x,y,volum,beta0)； beta(4)运行结果：beta = 11.6036 -1.0641即得回归模型为：(5)预测及作图： YY,delta=nlpredci(volum,x,beta,r ,J)； plot(x,y,k+,x,YY,r)四、逐步回归1、逐步回归的命令：stepwise(x,y,inmodel,alpha)说明：x表示自变量数据,阶矩阵；y表示因变量数据,阶矩阵；inmodel表示矩阵的列数的指标,给出初始模型中包括的子集(缺省时设定为全部自变量)；alpha表

13、示显著性水平(缺省时为0.5).2、运行stepwise命令时产生三个图形窗口：Stepwise Plot,Stepwise Table,Stepwise History.在Stepwise Plot窗口,显示出各项的回归系数及其置信区间.(1)Stepwise Table窗口中列出了一个统计表,包括回归系数及其置信区间,以及模型的统计量剩余标准差(RMSE)、相关系数(R-square)、F值、与F对应的概率P.例1. 水泥凝固时放出的热量y与水泥中4种化学成分x1、x2、x3、 x4有关,今测得一组数据如下,试用逐步回归法确定一个线性模型. 序号12345678910111213x1711

14、1117113122111110x226295631525571315447406668x3615886917221842398x46052204733226442226341212y78.574.3104.387.695.9109.2102.772.593.1115.983.8113.3109.4解：(1)数据输入：x1=7 1 11 11 7 11 3 1 2 21 1 11 10;x2=26 29 56 31 52 55 71 31 54 47 40 66 68;x3=6 15 8 8 6 9 17 22 18 4 23 9 8;x4=60 52 20 47 33 22 6 44 22

15、26 34 12 12;y=78.5 74.3 104.3 87.6 95.9 109.2 102.7 72.5 93.1 115.9 83.8 113.3 109.4;x=x1 x2 x3 x4;(2)逐步回归.先在初始模型中取全部自变量：stepwise(x,y)得图Stepwise Plot 和表Stepwise Table.图Stepwise Plot中四条直线都是虚线,说明模型的显著性不好.从表Stepwise Table中看出变量x3和x4的显著性最差.在图Stepwise Plot中点击直线3和直线4,移去变量x3和x4.移去变量x3和x4后模型具有显著性虽然剩余标准差(RMSE)没有太大的变化,但是统计量F的值明显增大,因此新的回归模型更好.(3)对变量y和x1、x2作线性回归. X=ones(13,1) x1 x2; b=regress(y,X)得结果：b = 52.5773 1.4683 0.6623故最终模型为：y=52.5773+1.4683x1+0.6623x2