概率统计实验课第6讲.pptVIP

9.3 数理统计分析方法及计算机实现 9.3.3 非线性函数的最小二乘参数估计与区间估计 设有一组数据xi,yi,i=1,2, ……,N, 且这组数据满足某一函数原型y(x)=f(a,x),其中a待定系数向量， ，其中ε称为残差， 用某种数学算法求出使得目标函数最小的参数a.将估计出的a代入原型函数，则可以得出残差 MATLAB语言nlinfit().同时还可以求出残差对估计参数向量a的Jacobi向量J.这些可以用于非线性参数的区间估计函数nlparci()，得出95％置信度下区间估计结果。这些函数的调用格式为 ［a,r,J］=nlinfit(x,y,Fun,a0) 最小二乘拟合 C=nlparci(a,r,J) 由置信度为95％的置信区间 其中，x和y为实测数据，Fun为原型函数，可以M－函数表示也可以由inline() 函数表示，a0为参数估计的初值。 该参数返回的a向量为估计出的参数，r为此参数下的残差构成的向量，J为各个Jacobi行向量构成的矩阵。得出了这些信息，就可以将其用于置信区间的估计，得出置信度为95％的置信区间C。 例：假设原型函数为 其中ai为待定系数。先产生满足函数的数据，再用最小二乘拟合估计，并得出95％置信度的置信区间。 f=inline(a(1)*exp(-a(2)*x)+a(3)*exp(-a(4)*x).*sin(a(5)*x),a,x); x=0:0.1:10; y=f([0.12,0.213,0.54,0.17,1.23],x); [a,r,j]=nlinfit(x,y,f,[1;1;1;1;1]);a y=f([0.12,0.213,0.54,0.17,1.23],x)+0.02*rand(size(x)); [a,r,j]=nlinfit(x,y,f,[1;1;1;1;1]);a ci=nlparci(a,r,j) errorbar(1:5,a,ci(:,1)-a,ci(:,2)-a) 例：试用nlinfit()函数求解多变量非线性回归问题。假设非线性函数为 假设ai的值均为1， a=[1;1;1;1;1;1]; f=inline([(a(1)*x(:,1).^3+a(2)).*sin(a(3)*x(:,2).*x(:,3))+(a(4)*x(:,3).^3+a(5)*x(:,3)+a(6))],a,x); x=randn(120,4); y=f(a,x)+sqrt(0.2)*randn(120,1); [ahat,r,j]=nlinfit(x,y,f,[0;2;3;2;1;2]); ahat y1=f(ahat,x); plot([y,y1]) ci=nlparci(ahat,r,j);ci errorbar(1:6,ahat,ci(:,1)-ahat,ci(:,2)-ahat)