第十一章多元回归及复相关分析.pptVIP

* * * * * * * * * * * * * 逐 步 回 归 逐步回归的命令是： stepwise（x，y，inmodel，alpha） 运行stepwise命令时产生三个图形窗口：Stepwise Plot，Stepwise Table，Stepwise History. 在Stepwise Plot窗口，显示出各项的回归系数及其置信区间. Stepwise Table 窗口中列出了一个统计表，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（R-square）、F值、与F对应的概率P. 矩阵的列数的指标，给出初始模型中包括的子集（缺省时设定为全部自变量） 显著性水平（缺省时为0.5） 自变量数据, 阶矩阵 因变量数据， 阶矩阵 * * 例6 水泥凝固时放出的热量y与水泥中4种化学成分x1、x2、x3、 x4 有关，今测得一组数据如下，试用逐步回归法确定一个 线性模 型. 1、数据输入： x1=[7 1 11 11 7 11 3 1 2 21 1 11 10]; x2=[26 29 56 31 52 55 71 31 54 47 40 66 68]; x3=[6 15 8 8 6 9 17 22 18 4 23 9 8]; x4=[60 52 20 47 33 22 6 44 22 26 34 12 12]; y=[78.5 74.3 104.3 87.6 95.9 109.2 102.7 72.5 93.1 115.9 83.8 113.3 109.4]; x=[x1 x2 x3 x4]; * * 2、逐步回归： （1）先在初始模型中取全部自变量： stepwise(x,y) 得图Stepwise Plot 和表Stepwise Table 图Stepwise Plot中四条直线都是虚线，说明模型的显著性不好 从表Stepwise Table中看出变量x3和x4的显著性最差. * * （2）在图Stepwise Plot中点击直线3和直线4，移去变量x3和x4 移去变量x3和x4后模型具有显著性. 虽然剩余标准差（RMSE）没有太大的变化，但是统计量F的 值明显增大，因此新的回归模型更好. To MATLAB(liti51） * * （3）对变量y和x1、x2作线性回归： X=[ones(13,1) x1 x2]; b=regress(y,X) 得结果：b = 52.5773 1.4683 0.6623 故最终模型为：y=52.5773+1.4683x1+0.6623x2 To MATLAB(liti52） 返回 * * * * * * * * * * * * * * * * * * * * * * * * * * * * 第十一章 多元回归及复相关分析 * * 一元线性回归 多元线性回归 回归分析 数学模型及定义 *模型参数估计 *检验、预测与控制 可线性化的一元非线 性回归（曲线回归） 数学模型及定义 *模型参数估计 *多元线性回归中的 检验与预测 逐步回归分析 * * §11.1、多元线性回归方程 * * 一、多元线性回归模型 * * 二、模型参数估计 解得估计值 * * * * 三、多元线性回归中的检验与预测 （Ⅰ）F检验法 (残差平方和） * * 三、多元线性回归中的检验与预测 （Ⅱ）r检验法 * * 2、预测 （1）点预测 （2）区间预测 * * 四、逐步回归分析 （4）“有进有出”的逐步回归分析。 （1）从所有可能的因子（变量）组合的回归方程中选择最优者； （2）从包含全部变量的回归方程中逐次剔除不显著因子； （3）从一个变量开始，把变量逐个引入方程； 选择“最优”的回归方程有以下几种方法： “最优”的回归方程就是包含所有对Y有影响的变量, 而不包含对Y影响不显著的变量回归方程。 以第四种方法，即逐步回归分析法在筛选变量方面较为理想. * * 这个过程反复进行，直至既无不显著的变量从回归方程中剔除，又无显著变量可引入回归方程时为止。 逐步回归分析法的思想： 从一个自变量开始，视因变量Y作用的显著程度，从大到小地依次逐个引入回归方程。 当引入的自变量由于后面变量的引入而变得不显著时，要将其剔除掉。 引入一个自变量或从回归方程中剔除一个自变量，为逐步回归的一步。 对于每一步都要进行Y值检验，以确保每次