x y s~剩余标准差一元线性回归的MATLAB实现b=regress(y,X).PPT

线性回归的特殊情形----多项式回归 14块同样大小土地的数据 序号 产量(升) 施肥(千克) 序号 产量(升) 施肥(千克) 1 1035 6.0 … … … 2 624 2.5 12 1030 9.0 3 1084 7.5 13 985 11.0 … … … 14 855 12.5 例1 西红柿的施肥量与产量 模型 b=regress(y,X)求解 一元多项式回归模型的一般形式 MATLAB求解 polyfit(x,y,m) polytool(x,y,m,alpha) 例1的交互式画面 注意3个程序的用法与所得结果的相同点和不同点 非线性回归分析 非线性最小二乘拟合 已知模型 f对?非线性 观测数据 误差平方和 非线性回归 非线性回归可以对非线性最小二乘拟合结果作统计分析 回归系数? 的最小二乘估计 MATLAB中的非线性回归 [b,R,J]=nlinfit(x,y,’model’,b0) x~自变量数据矩阵（每列一个变量） , y~因变量向量, Model~模型的函数名, m文件: y =f(b,x),b为待估系数?, b0~回归系数? 的初值. 输出：b~?的估计，R~残差，J~估计误差的Jacobi矩阵 bi=nlparci(b,R,J) 回归系数?的置信区间 nlintool(x,y,model,b) 一个交互式画面 （内容和用法与多项式回归的Polytool类似） 回归分析 由于客观事物内部规律的复杂及人们认识程度的限制,无法分析实际对象内在的因果关系; 人们关心的变量(因变量)受另外几个变量(自变量)的关联性(非因果性)的影响，并且存在众多随机因素，难以用机理分析方法找出它们之间的关系； 需要建立这些变量的数学模型，使得能够根据自变量的数值预测因变量的大小，或者解释因变量的变化。 回归分析是数学建模的有力工具 血压与年龄 刹车距离与车速 薪金与资历、教育程度、工作岗位 内容提要 回归分析(Regression Analysis)简介 1. 实例及其数学模型 2. 一元线性回归分析 3. 多元线性回归分析 *4. 非线性回归分析 从应用角度介绍回归分析的基本原理、 方法和软件实现 Pearson: 1078个父亲和儿子身高的散点图 回归(regression) 的由来 Francis Golton (1822-1911) 一般说来高个子的父代会有高个子的子代. 子代的身高比父代更加趋向一致(“向平庸的回归”) . 对于身高72英寸的父亲， 儿子身高多数不到73英寸; 对于身高64英寸的父亲， 儿子身高多数超过65英寸; 回归直线 y=0.516 x+33.73 O 儿子比父亲平均高1英寸 ?实例及其数学模型 例1 血压与年龄 为了解血压随年龄增长而升高的关系，调查了30个成年人的血压（收缩压，mmHg）与年龄: 用这组数据确定血压与年龄的关系； 从年龄预测血压可能的变化范围； 回答 “平均说来60岁比50岁的人血压高多少”。 序号 血压 年龄 序号 血压 年龄 序号 血压 年龄 1 144 39 11 162 64 21 136 36 2 215 47 12 150 56 22 142 50 3 138 45 13 140 59 23 120 39 4 145 47 14 110 34 24 120 21 5 162 65 15 128 42 25 160 44 ? ? ? ? ? ? ? ? ? 记血压(因变量) y，年龄(自变量) x，作数 据 (i=1,2,?30)的散点图 模型 由数据确定系数 的估计值 从统计推断角度讨论β0 ,β1 的置信区间和假设检验； 对任意的年龄 x 给出血压 y 的预测区间。 y与x大致呈线性关系 收集一组包含因变量和自变量的数据； 选定因变量与自变量之间的模型，利用数据按照最小二乘准则计算模型中的系数； 对不同的模型进行比较，找出与数据拟合得最好的模型； 判断得到的模型是否适合于这组数据, 诊断有无不适合回归模型的异常数据； 利用模型对因变量作出预测或解释。 回归分析的主要步骤 序 号 血 压 年 龄 体重 指数 吸 烟 序 号 血 压 年 龄 体重 指数 吸 烟 序 号 血 压 年 龄 体重 指数 吸 烟 1 144 39 24.2 0 11 162 64 28.0 1 21 136 36 25.0 0 2 215 47 31.1 1 12 150 56 25.8 0 22 142 50 26.2 1 3 138 45 22.6 0 13 140 59 27.3 0 23 120 39 23