实验三-非线性回归分析..docx

实验三 非线性回归分析（2学时）一、实验目的（1）、掌握非线性回归分析的基本步骤；（2）、熟练用MATLAB软件实现可线性化的回归分析及曲线回归分析。 二、实验学时：2学时三、实验要求（1）掌握用MATLAB软件实现可线性化的回归分析及曲线回归分析；（2）掌握非线性回归分析的基本步骤。 四、实验原理 1、常见的可线性化模型 (1)双对数模型 (2).半对数模型 ①对数-线性模型: ②线性-对数模型: (3). 倒数模型 ① ② (4) 逻辑(logistic)成长曲线模型 （5）龚伯斯（Gompertz）成长曲线模型 (6) 多项式模型 ①一元二次多项式模型： ②一元三次多项式模型： ③二元二次多项式模型：2、不可线性化模型（即曲线回归模型）： 其中f为非线性的，并且模型不可线性化。 一般使用非线性最小二乘估计方法，并用Newton迭代求解其中的正规方程组。五、实验举例例1、对GDP（国内生产总值）的拟合。选取GDP指标为因变量，单位为亿元，拟合GDP关于时间t的趋势曲线。以1981年为基准年，取值为t=1,1998年t=18,1991-1998年的数据如下： 年份t GDP 年份tGDP148629252948359341471711334634.45896446102021711962681492869169097解：第一步：一元线性回归模型（一）程序如下：建立test3_1_1.m文件如下（具体注释见m文件）：%%%%%%%%作时间t 与GDP（y）的回归分析[data,head]=xlsread(test3_1.xlsx); % 导入数据t=data(:,1); % 提取年份ty=data(:,2); % 国内生产总值plot(t,y,k.);% 画y与t的散点图xlabel(年序号（t）)ylabel(GDP（y）)% 调用robustfit函数作稳健回归，返回系数的估计值b和相关统计量stats [b,stats]=robustfit(t,y)stats.p %%%%%% 绘制残差与权重的散点图 %%%%%%%%%%%%%%%figure;plot(stats.resid,stats.w,o) % 绘制残差与权重的散点图xlabel(残差)ylabel(权重) %%%%%%% 画robustfit函数对应的回归直线 %%%%%%%%%%%%%tdata=[ones(size(t,1),1),t]; % 在原始数据t的左边加一列1yhat=tdata*b; % 求robustfit 函数对应的y的估计值figure;plot(t,y,ko) % 画原始数据散点hold onplot(t,yhat,r--,linewidth,2) % 画robustfit函数对应的回归直线，红色虚线xlabel(年序号（t）)ylabel(GDP（y）)（二）实验结果与分析：（1）散点图图3.1 年序号t与GDP(y)的散点图从散点图可以看出t与y的线性趋势并不明显，但可以考虑进行一元线性回归。（2）调用robustfit函数作稳健回归，返回系数的估计值b和相关统计量stats的P值 ‘系数的估计值’ P值1.0e+04 * -1.3410 0.0227 0.4414 0.0000 稳健回归得出的回归方程为。常数项和回归系数的t检验的p值只有一个小于显著性水平0.0001，可知线性关系是不显著的。 （3）下面作出残差向量和权重向量的散点图，从直观上了解残差和权重的关系。图3.2 残差和权重的散点图 从图3.2可以看出残差绝对值越大，其权重就越小，残差为零时，相应的权重为1，这就保证了拟合的稳健性。此处残差的数量级为，从而残差绝对值太大，可知明显拟合效果不好。下面作出拟合效果图，如图3.3所示。 图3.3 原始数据散点与回归直线图 从上图可知：拟合效果明显很不好。原始数据点偏离回归直线距离太大。下面进行复合函数模型的拟合，并进行拟合效果比较。第二步：作复合函数模型 (1)散点图：图3.4 年序号t与GDP(lny)的散点图从图3.4的散点图表明年序号t与lny的线性趋势比图3.1的线性趋势明显。（2）调用robustfit函数作稳健回归，返回系数的估计值b和相关统计量stats的P值系数的估计值 检验的P值 8.1896 1.0e-16 * 0.1756 0.00000.9250稳健回归得出的回归方程为。常数项和回归系数的t检验的p值分别