regress()函数.docVIP

??? 一、回归分析 1．多元线性回归 在Matlab统计工具箱中使用命令regress 实现多元线性回归，调用格式为 b regress y，x 或 [b，bint，r，rint，statsl regess y，x，alpha 其中因变量数据向量y和自变量数据矩阵x按以下排列方式输入 对一元线性回归，取k 1即可。alpha为显著性水平 缺省时设定为0.05 ，输出向量b，bint为回归系数估计值和它们的置信区间，r，rint为残差及其置信区间，stats是用于检验回归模型的统计量，有三个数值，第一个是R2，其中R是相关系数，第二个是F统计量值，第三个是与统计量F对应的概率P，当P α时拒绝H0，回归模型成立。 画出残差及其置信区间，用命令rcoplot r，rint 实例1：已知某湖八年来湖水中COD浓度实测值 y 与影响因素湖区工业产值 x1 、总人口数 x2 、捕鱼量 x3 、降水量 x4 资料，建立污染物y的水质分析模型。 1 输入数据 x1 [1.376, 1.375, 1.387, 1.401, 1.412, 1.428, 1.445, 1.477] x2 [0.450, 0.475, 0.485, 0.500, 0.535, 0.545, 0.550, 0.575] x3 [2.170 ,2.554, 2.676, 2.713, 2.823, 3.088, 3.122, 3.262] x4 [0.8922, 1.1610 ,0.5346, 0.9589, 1.0239, 1.0499, 1.1065, 1.1387] y [5.19, 5.30, 5.60，5.82，6.00, 6.06，6.45， 6.95] 2 保存数据 以数据文件.mat形式保存，便于以后调用 save data x1 x2 x3 x4 y load data 取出数据 3 执行回归命令 x [ones 8,1 ， ]； [b，bint，r，rint，stats] regress 得结果： b -16.5283，15.7206，2.0327，-0.2106，-0.1991 ’ stats 0.9908，80.9530，0.0022 即 -16.5283 + 15.7206xl + 2.0327x2 - 0.2106x3 + 0.1991x4 R2 0.9908，F 80.9530，P 0.0022 2．非线性回归 非线性回归可由命令nlinfit来实现，调用格式为 [beta,r,j] nlinfit x，y，model’，beta0 其中，输人数据x，y分别为n×m矩阵和n维列向量，对一元非线性回归，x为n维列向量model是事先用 m-文件定义的非线性函数，beta0是回归系数的初值， beta是估计出的回归系数，r是残差，j是Jacobian矩阵，它们是估计预测误差需要的数据。 预测和预测误差估计用命令 [y,delta] nlpredci ’model’，x，beta,r,j 实例2：对实例1中COD浓度实测值 y ，建立时序预测模型，这里选用logistic模型。即 1 对所要拟合的非线性模型建立的m-文件mode1.m如下： function yhat model beta,t yhat beta 1 ．／ 1+beta 2 *exp -beta 3 *t 2 输人数据 t 1：8 load data y 在data.mat中取出数据y beta0 [50，10，1]’ 3 求回归系数 [beta,r,j] nlinfit t’,y’，’model’，beta0 得结果： beta 56.1157，10.4006，0.0445 ’ 即 4 预测及作图 [yy，delta] nlprodei ’model’，t’，beta,r，j ； plot t，y，’k+’，t，yy,’r’ 3．逐步回归 逐步回归的命令是stepwise，它提供了一个交互式画面，通过此工具可以自由地选择变量，进行统计分析。调用格式为： stepwise x，y，inmodel，alpha 其中x是自变量数据，y是因变量数据，分别为n×m和n×l矩阵，inmodel是矩阵的列数指标 缺省时为全部自变量 ，alpha,为显著性水平 缺省时为0.5 结果产生三个图形窗口，在stepwise plot窗口，虚线表示该变量的拟合系数与0无显著差异，实线表示有显著差异，红色线表示从模型中移去的变量；绿色线表明存在模型中的变量，点击一条会改变其状态。在stepwise Table窗口中列出一个统计表，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