多元模型回歸与分析.pptVIP

多元数据模型回归与分析 一、实验数据分析 由实验数据回归模型，得到模型参数前，对数据自变量间的线性相关性进行检验，是发现回归模型应用的可靠性和准确性受限制的有效方法。 因自变量间的线性相关性，使得无法区分它们对因变量的作用; 回归模型参数时会遇到几乎是奇异的数据矩阵，这样的模型参数有很大的不确定性(95％的参数置信度范围宽)。 例：回归二氧化硫的催化氧化速率方程： 二氧化硫的催化氧化速率 两种模型的非线性回归 1、一般的指数速率方程形式 对速率方程的进一步分析 如果把方程(8.2.2)改写为： 二、回归模型的选择（1） 例：水饱和蒸汽压的模型回归 水的蒸汽压数据选用的温度范围为0～120℃ 水饱和蒸汽压的模型回归结果 因变量与残差关系图 Antoine方程拟合的残差 改进Thek-Stiel方程方程的拟合结果 二、回归模型的选择（2） 丙烷在氢型丝光沸石上的吸附平衡 例：选用不同吸附方程拟合丙烷在氢型丝光沸石体系303K的吸附平衡数据。 目标：说明如何对模型拟合结果进行统计分析，确定模型拟合的好坏、模型参数的可靠性和准确性，从而进行拟合模型的选择。 具有代表性的、也是适用性较广的模型 1、Lanmuir (L)双参数方程： 各模型的计算结果 方程(13)和方程(15)的拟合结果 判断模型参数是否过少的依据 通过对方程(13)和五参数方程(15)的残差进行分析， 方程(13)因参数过少，吸附量的计算误差与实验吸附量之间存在着某种分布。 方程(15) 计算误差在零的两边是随机分布的，看不出规律性。因此，拟合计算误差有无规律性的分布是判断模型参数是否过少的依据。 判断模型参数是否过多的依据 回归模型的选择总结 习题 研究二硫化碳饱和蒸汽压的模型回归问题。（P266，Ex8.3） Statistica的非线性估计 非线性估计方法 User-Specified Regression, least square “least square”与“Custom Loss ”比较 “least square”计算结果（采用Levenberg-Marquardt方法） “Custom Loss ”的方差分析与迭代步骤 Statistica非线性估计的残差分析 对方程(15)的残差分析 误差正态分布图 非线性函数的管理 三、MATLAB的拟合函数 多项式拟合函数polyfit 非线性最小二乘法 lsqnonlin()——非线性最小二乘（优化问题） lsqcurvefit()——非线性最小二乘曲线拟合 nlinfit()——前两种的简化版本 nlparci()——计算参数的置信区间 nlpredci()——计算预测值的置信区间 nlintool()——nlinfit()、nlparci()、nlpredci()的集成图形用户界面拟合函数 注意：不同的拟合函数命令，其优化目标函数定义以及调用形式不同，注意区分！！！ （一）Polyfit的使用 p = polyfit(x0, y0, n) 其中x0和y0分别为观察节点和观察值向量；n表示插值多项式的次数；输出值p表示插值多项式的系数。 例：某实验中测得一组数据，其值如下： x l 2 3 4 5 y 1.3 1.8 2.2 2.9 3.5 已知x和y成线性关系，即y=kx+b，求系数k和b （二）lsqcurvefit的使用 方程（目标函数） Find coefficients beta that best fit the equation lsqcurvefit的使用（续） 调用形式（续） [beta,resnorm] = lsqcurvefit(...) [beta,resnorm,residual] = lsqcurvefit(...) [beta,resnorm,residual,exitflag] = lsqcurvefit(...) [beta,resnorm,residual,exitflag,output] = lsqcurvefit(...) [beta,resnorm,residual,exitflag,output,lambda] = lsqcurvefit(...) [beta,resnorm,residual,exitflag,output,lambda,jacobian] = lsqcurvefit(...) lsqcurvefit的拟合函数的定义 拟合函数的定义： lsqcurvefit的拟合函数的定义（续） If the Jacobian can also be computed by user-defined lsqcurvefit应用示例 （三）