《数学建模与数学实验》.docVIP

第9章：多元回归分析 实验目的：1.直观了解多元回归分析的基本内容； 2.掌握用数学软件求解多元回归分析问题。 实验内容：1.多元回归分析的基本理论； 2.用数学软件求解多元回归分析问题； 3.课堂实验练习。 一、多元线性回归 （一）回归模型 称如下模型为多元线性回归模型（高斯-马尔可夫线性模型） 其中 ， ， ， 。 称为回归平面方程。 %Y必须是列向量 多元线性回归分析的主要任务是： 用样本值对未知参数和作点估计； 对回归系数作假设检验； 在处对y作预测与控制，并对y作区间估计。 （二）模型参数估计 1.回归系数的最小二乘估计 作离差平方和： 最小二乘法就是选择的估计，使得 称为的最小二乘估计（LS估计）。 2. 的无偏估计 残差平方和： , 则，称为剩余方差，它是的无偏估计。 （三）检验、预测与控制 1.回归方程的显著性检验 对回归方程的显著性检验，可提出如下原假设： 若假设被拒绝，则回归显著，认为与之间确有线性关系，所求的线性回归方程有意义；否则回归不显著。 2.预测 （1）点预测：根据回归方程，给定自变量，预测. （2）区间预测：给定自变量，预测的置信区间. （四）回归分析的相关命令 1.确定回归系数的点估计： b=regress(Y, X) 2.求回归系数的点估计和区间估计、并检验回归模型： [b, bint, r, rint, stats]=regress(Y, X, alpha) （1）相关系数越接近1，说明回归方程越显著； （2）时拒绝，值越大，说明回归方程越显著； （3）时，拒绝，说明回归模型成立。 3.画出残差及置信区间： rcoplot(r, rint) %筛选不符合的数据 4.方程回归系数的检验： stepwise(X,Y) 【例9-1】火柴消费与各因素之间的关系分析 火柴公司的火柴销售量与各方面因素有很大联系，根据往年的销售情况，收集到了以下的一些数据： 年份 火柴销售量y /万件 煤气、液化气用户x1/万户 卷烟销售量x2 /万箱 蚊香销售量x3 /十万盒 打火石销售量 X4/万粒 1971 17.84 27.43 21.43 11.09 25.78 1972 18.27 29.95 24.96 14.48 28.16 1973 20.29 33.53 28.37 16.97 24.26 1974 22.61 37.31 42.57 20.16 30.18 1975 26.71 41.16 45.16 26.39 17.08 1976 31.19 45.73 52.46 27.04 7.39 1977 30.50 50.59 45.3 23.08 3.88 1978 29.63 58.82 46.80 24.46 10.53 1979 29.69 65.28 51.11 33.82 20.09 1980 29.25 71.25 53.29 33.57 21.22 1981 31.05 73.37 55.36 39.59 12.63 1982 32.28 76.68 54.00 48.49 11.17 试分析火柴的销售量与各个因素之间的关系。 回归分析及其检验 运行结果如下： 从上述分析结果可得： 回归方程： 相关系数： ，说明线性程度较好； 检验统计量： ，说明回归方程显著； 接受原假设的概率：，说明回归方程显著。 残差分析，作残差图 从上图可以看出，第9个点和第11个点为奇异点，可以舍弃后重新求解回归方程。 对系数进行逐步检验 从上表可以看出系数对影响不显著，可以认为蚊香的销售量与火柴的销售量基本无关，删除该变量，重新计算如下： 经过重新计算，可得回归方程如下： 二、一元多项式回归 （一）回归 1.确定多项式系数 格式：[p,s]=polyfit(x,y,m) 功能：利用m次多项式对数据x,y进行曲线拟合，p为多项式系数，s为一个矩阵，用来估计预测误差。 2.一元多项式回归命令 格式：polytool(x,y,m) 功能：此命令产生一个交互式的画面，画面中有拟合曲线和y的置信区间。 （二）预测和预测误差估计 格式1: Y=polyval(p,x) 功能：求回归多项式p在x处的预测值Y。 格式2：[Y,delta]=polyconf(p,x,s,alpha) 功能：求回归多项式p在x处的预测值Y，以及预测值Y的置信区间Y±delta. 【例9-2】观测物体降落的距离s与时间t的关系，得到数据如下表： t(s) 1/30 2/30 3/30 4/30 5/30 6/30 7/30 s(cm) 11.86 15.67 20.60 26.69 33