第六章回归.ppt

法一 直接作二次多项式回归： t=1/30:1/30:14/30; s=[11.86 15.67 20.60 26.69 33.71 41.93 51.13 61.49 72.90 85.44 99.08 113.77 129.54 146.48]; [p,S]=polyfit(t,s,2) 得回归模型为 ： 法二 化为多元线性回归： t=1/30:1/30:14/30; s=[11.86 15.67 20.60 26.69 33.71 41.93 51.13 61.49 72.90 85.44 99.08 113.77 129.54 146.48]; T=[ones(14,1) t (t.^2)]; [b,bint,r,rint,stats]=regress(s,T); b,stats 得回归模型为 ： Y=polyconf(p,t,S) plot(t,s,k+,t,Y,r) 预测及作图 数学建模基础 青岛科技大学数理学院 王天顺 2012年04月 回归分析 回归分析在一组数据的基础上研究这样几个问题： （i）建立因变量y与自变量x , x , , xm 1 2 L 之间的回归模型（经验公式）； （ii）对回归模型的可信度进行检验； （iii）判断每个自变量x (i 1,2, ,m) i = L 对y 的影响是否显著； （iv）诊断回归模型是否适合这组数据； （v）利用回归模型对y 进行预报或控制。 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 一、数学模型 例1 测16名成年女子的身高与腿长所得数据如下： 以身高x为横坐标，以腿长y为纵坐标将这些数据点（xI，yi）在平面直角坐标系上标出. 散点图 一元线性回归分析的主要任务是： 二、模型参数估计 1、回归系数的最小二乘估计 其中 一个好的拟合方程，其残差应越小越好。残差越小，拟合值与观测值越接近，各观测点在拟合直线周围聚集的紧密程度越高，也就是说，拟合方程 解释y 的能力越强。另外，当剩余标准差 越小时，还说明残差值的变异程度越小。由于残差的样本均值为零。所以，其离散范围越小，拟合的模型就越为精确。 三、检验、预测与控制 1、显著性检验 一般地，回归方程的假设检验包括两个方面：一个是对模型的检验，即检验自变量与因变量之间的关系能否用一个线性模型来表示，这是由F 检验来完成的；另一个检验是关于回归参数的检验，即当模型检验通过后，还要具体检验每一个自变量对因变量的影响程度是否显著。这是由t 检验完成。在一元线性分析中，由于自变量的个数只有一个，这两种检验是统一的，它们的效果完全是等价的。但是，在多元线性回归分析中，这两个检验的意义是不同的。从逻辑上说，一般常在F 检验通过后，再进一步进行t 检验。 （Ⅰ）F检验法 （Ⅱ）t检验法 （Ⅲ）r检验法 2、回归系数的置信区间 3、预测与控制 （1）预测 （2）控制 四、可线性化的一元非线性回归 （曲线回归） 例2 出钢时所用的盛钢水的钢包，由于钢水对耐火材料的侵蚀， 容积不断增大.我们希望知道使用次数与增大的容积之间的关 系.对一钢包作试验，测得的数据列于下表： 散 点 图 此即非线性回归或曲线回归 问题（需要配曲线） 配曲线的一般方法是： 通常选择的六类曲线如下： 一、数学模型及定义 多元线性回归 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）线性模型检验——F检验法 （Ⅱ）回归系数检验——t检验法 (残差平方和） 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，视自变量Y作用的显著程度，从大到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