回归分析【数学建模】.PPTVIP

?4:回归分析0：引言： 1：在国民经济产值与资金、劳动力的关系，我们用线性最小二乘法或非线性最小二乘法估计了其中的参数。有无进一步研究的必要？ 2：从数理统计的观点 看，这里涉及的都是随机变量，我们根据样本计算出的那些系数，只是它们的一个（点）估计，如果置信区间太大，甚至包含了零点，那么系数的估计值是没有多大意义的。另外，也可以用方差分析方法对模型的误差进行分析，对拟合的优劣给出评价，简单地说，回归分析就是对拟合问题作的统计分析。 3：举一个例子说明统计分析的必要性： （1）问题甲得到一组数据： X=[0,1,2,3,4],Y=[1.0,1.3,1.5,2.0,2.3]; 问题乙得到一组数据： X=[0,1,2,3,4],Z=[0.6,1.95,0.9,2.85,1.8]; (2)两组数据的散点图：[Xk,Yk]用+表示； [Xk,Zk]用*表示。 （3）MATLAB 实现 to huiguibiyao.m 得到：a=0.33 0.96; b=0.33 0.96. 结论：两者拟合的结果是同一条直线y=0.33x+0.96 (z=0.33x+0.96)但是它们的意义却大不一样。 人们对结果a的信任度很高； 人们对结果b的信任度很低. 4：统计分析的任务：（对可信度作出定量评价） 建立因变量y与自变量之间x1,x2,……,xm的回归模型（经验公式）； 对回归模型的可信度进行检验； 判断每个自变量xi(i=1,2,……m)对y的影响是否显著； 诊断回归模型是否适合这组数据； 利用回归模型对y进行预报或控制。 二实际问题：1：合金强度与碳含量：合金强度y与其中碳含量x有比较密切的关系。（如下）： 用polyfit(x,y,1)拟合得:y=ax+b; ?a=140.6194,b=27.0269; 上述结果的可信度？x对y影响是否显著？有无异常点？ 2：年龄与运动能力：将17至29岁的运动员每两周岁一组分为7组，每组两人测量起旋转定向能力，以考察年龄对这种运动能力的影响，现得到一组数据如下表，试建立二者的关系： 散点图形状：两端低，用二次曲线拟合：ploy(X,Y,2)但需进一步分析？ 3：商品销售量与价格： 某厂生产的一种电器的销售量y与竞争对手的价格x1和本厂的价格x2有关: 试根据这些数据建立与和的关系式，对得到的模型和系数进行检验； 如果某市本厂产品售价160（元），竞争对手的售价170元，预测商品在该市的销售量。 三：多元线性回归： 回归分析中最简单的形式是：y=?0+?1x均为标量， ?0,?1为回归系数，称一元线性回归。推广：x是多元变量： 这里y对回归系数?=(?0,?1,……,?m)是线性的，称为多元线性回归。不难看出，对x作变换，（2）将化为（1）的形式，所以（1）称为线性回归的标准形。 1：模型： 在回归分析中自变量x=(x1,x2, ……,xm)是影响因变量的主要因素，是人们能控制的或能观察的，而y还受到随机因素的干扰，可以合理地假定这种干扰服从0均值的正态分布，于是模型记作： 现得到n个独立观测数据(yi,xi1,……,xim)，i=1,2,……n,nm,由（3）得： 2：参数估计：（1）方法： 用最小二乘法估计模型（3）中参数?。 由（4）式这组数据的误差平方和为： （2）残差： 称为残差平方和（或剩余平方和）。即 3：统计分析：（不证明，直接给出结果） （5）：回归平方和： 其中Q是由（10）式定义的残差平方和，反映随机误差对y的影响。U称为回归平方和，反映自变量对y的影响。 4：回归模型的假设检验： （1）检验的必要性： （2）检验的方法一：（F分布检验） 可令原假设为H0:?j=0(j=1,……，m); 注意：接受H0只说明y与x1,……，xm线性关系不显著，可能存在非线性关系，如平方关系。 5：回归系数的假设检验和区间关系。 （1）原因： 当上面H0被拒绝时（即线性模型成立时） ??j不全为0； 但不排除其中若干个等于0； ?应进一步做如下m个检验（j=1,……m): （2）检验方法（t检验） 思考： 6：利用回归模型进行预测： 7：MATLAB实现：（在MATLAB统计工具箱中用regress实现多元线性回归）（1）用法： Y,X同上； alpha为显著性水平（确省时设定为0.05)； b,bint为回归系数估计值和它们的置信区间； r,rint为残差（向量）及置信区间； stats是用于检验回归模型的统计量，有3个数值： 第1个是R*R(见（