回归分析(数学建模).ppt

多项式回归的处理方法和前面的曲线回归类似，通过变量转换化成多元线性回归来解决。 对于一元m次多项式回归， 可线性化的一元非线性回归模型 因此可以用前面的方法解决多项式回归问题。二元多项式回归处理方法类似。 值得注意的是，随着自变量个数的增加,多元 多项式回归分析的计算量急剧增加。因此，在多项式回归中较为常用的是一元二次多项式回归和一元三次多项式回归。 可线性化的一元非线性回归模型 四、软件应用 解决线性回归问题的常用软件有：Matlab，统计软件SPSS和SAS。SPSS的求解与SAS相同。这里介绍Matlab和SPSS的求解方法。 1、线性回归的matlab实现 回归分析的求解在Matlab中可用regress实现，其使用格式为： 其中y为列向量，表示因变量的取值； X为矩阵，代表自变量的取值；(注意：第一列全是1) alpha为置信水平，缺省时取0.05。 [b,bint,r,rint,stats] = regress(y,X,alpha) 当置信区间包含0时，说明该参数未通过T检验，可认为0。 r---残差向量，取值为Y-X*b。 rint---残差的置信度为1-alpha的置信区间。 stats---回归方程的统计量，stats(1)为复相关系数， stats(2)为F值， stats(3)为F值对应的概率值，stats(4)为误差方差的估计值。 线性回归的matlab实现 对照前面所讲的参数意义，采用Matlab可方便求解该问题。第一个回归模型计算结果如下，其他类似。 第 1条线路回归方程参数: 系数， 置信下限， 置信上限 110.29651，109.37571，111.21731 0.08284， 0.08109， 0.08459 0.04828， 0.04432， 0.05224 0.05297， 0.05164， 0.05430 0.11993， 0.11684， 0.12303 -0.02544，-0.02737，-0.02351 0.12201， 0.11939， 0.12463 0.12158， 0.11855， 0.12461 -0.00123，-0.00335， 0.00090 线性回归的matlab实现 统计量值R^2=0.9995,F=5861.51944,p=0.00000 方案0的原始值，预测值，相对误差百分比: 164.7800 164.7120 0.0413 140.8700 140.8238 0.0328 -144.2500 -144.2051 0.0312 119.0900 119.0412 0.0410 线性回归的matlab实现 2、SPSS求解过程 （1）选择菜单Analyze－Regression－Linear，出现窗口： （2）选择被解释变量进入Dependent框。 （3）选择一个或多个解释变量进入Independent(s)框。 （4）在Method框中选择回归分析中解释变量的筛选策略。其中Enter表示所选变量强行进入回归方程，是SPSS默认的策略，通常用在一元线性回归分析中；Remove表示从回归方程中剔除所选变量；Stepwise表示逐步筛选策略；Backward表示向后筛选策略；Forward表示向前筛选策略。 注：多元回归分析中，变量的筛选一般有向前筛选、向后筛选、逐步筛选三种基本策略。 向前筛选（ Forward ）策略：解释变量不断进入回归方程的过程。首先，选择与被解释变量具有最高线性相关系数的变量进入方程，并进行回归方程的各种检验；然后，在剩余的变量中寻找与被解释变量偏相关系数最高且通过检验的变量进入回归方程，并对新建立的回归方程进行各种检验；这个过程一直重复，直到再也没有可进入方程的变量为止。 向后筛选（ Backward ）策略：变量不断剔除出回归方程的过程。首先，所有变量全部引入回归方程，并对回归方程进行各种检验；然后，在回归系数显著性检验不显著的一个或多个变量中，剔除t检验值最小的变量，并重新建立 回归方程和进行各种检验；如果新建回归方程中所有变量的回归系数检验都显著，则回归方程建立结束。否则按上述方法再一次剔除最不显著的变量，直到再也没有可剔除的变量为止。 逐步筛选（ Stepwise ）策略：在向前筛选策略的基础上结合向后筛选策略，在每个变量进入方程后再次判断是否存在应该剔除出方程的变量。因此，逐步筛选策略在引入变量的每一个阶段都提供了再剔除不显著变量的机会。 （5）第三和第四步中确定的解释变量及变量筛选策略可放置在不同的块（Block）中。通常在回归分析中不止一组待进入方程的解释变量和相应的筛选策略，可以单击Nex