第十一讲 多元线性回归模型22386.ppt

中值定理与导数的应用 */15 Matlab实验（十一） 回归分析就是根据实验数据或历史数据，研究变量之间的相关关系，建立起一个数学模型，进而将此模型用于预测或控制. 一般：设Y是一个为因变量（内生变量、被解释变量）， 为自变量（解释变量）如果 ，其中 是随机误差，称上述表达式为多元线性回归模型. 利用多元回归模型解决实际问题有以下几个步骤： （1）作出各解释变量与因变量的散点图，根据散点图的形状决定是否可以进行线性回归 ； （2）建立模型求解回归系数，并对其进行检验，如果原始数据含有异常点，则应删除异常点或者引入虚拟变量加以改进模型； （3）对模型的残差进行分析，如果存在异方差，则应对模型进行调整； （4）对模型的残差进行自相关性的DW检验，如果存在自相关，则通过广义差分变换消除自相关性； （5）对模型的结果给出合理的解释. 多元线性回归模型的Matlab实现 多元线性回归的命令 ： [b,bint,r,rint,s]=regress(y,X,alpha) 其中:输入 y：因变量(列向量), X：1与自变量组成的矩阵，Alpha：显著性水平?（缺省时设定为0.05） s: 4个统计量：可决系数R2，F值, F(1,n-2)分布大于 F值的概率p，残差的误差平方和S2 输出:b=（ ），bint: b的置信区间， r:残差(列向量)，rint: r的置信区间 R2，越接近1越好；p?时回归模型有效，S2越小越好 rcoplot(r,rint) 然后作出残差及其置信区间图形，命令为： 根据图形，如果有异常点（该点为红色），剔除异常点后再次进行回归。 最后对模型进行检验： （1）残差的正态检验： 由jbtest检验，h=0表明残差服从正态分布， h=1表明残差不服从正态分布 （2）残差的异方差检验 （3）残差的自相关性检验 （后续课程介绍） 例1:根据下面的数据建立血压与年龄、体重指数、吸烟习惯之间的回归模型 1 27.4 69 175 30 0 19.3 56 154 10 ? ? ? ? ? ? ? ? ? ? 0 23.5 39 120 23 0 22.6 45 138 3 1 26.2 50 142 22 1 31.1 47 215 2 0 25.0 36 136 21 0 24.2 39 144 1 吸烟 习惯 体重 指数 年 龄 血 压 序 号 吸烟 习惯 体重 指数 年 龄 血 压 序 号 （完整数据详细见后面的程序中） 说明：体重指数 = 体重（kg）/身高（m）的平方 吸烟习惯: 0表示不吸烟，1表示吸烟 首先做出血压与年龄，血压与体重指数之间的散点图 散点图命令为： y=[144 215 138 145 162 142 170 124 158 154 162 150 140 110 128 130 135 114 116 124 136 142 120 120 160 158 144 130 125 175]; x1=[39 47 45 47 65 46 67 42 67 56 64 56 59 34 42 48 45 18 20 19 36 50 39 21 44 53 63 29 25 69]; x2=[24.2 31.1 22.6 24.0 25.9 25.1 29.5 19.7 27.2 19.3 28.0 25.8 27.3 20.1 21.7 22.2 27.4 18.8 22.6 21.5 25.0 26.2 23.5 20.3 27.1 28.6 28.3 22.0 25.3 27.4]; x3=[0 1 0 1 1 0 1 0 1 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 1 1 0 1 0 1]; plot(x1,y,*) figure(2); plot(x2,y,or) 可见血压与年龄、血压与体重指数存在一定的线性相关性，所以建立多元线性回归模型： y与x1的散点图 y与x2的散点图 其次建立模型（继续输入）： Y=y; X=[ones(30,1), x1,x2,x3]; %1与自变量组成的矩阵 [b,bint