Matlab线性回归(拟合).doc

Matlab线性回归（拟合） 对于多元线性回归模型： 设变量的n组观测值为 ． 记 ，，则 的估计值为 (11.2) 在Matlab中，用regress函数进行多元线性回归分析，应用方法如下： 语法：b = regress(y, x) [b, bint, r, rint, stats] = regress(y, x) [b, bint, r, rint, stats] = regress(y, x, alpha) b = regress(y, x)，得到的维列向量b即为(11.2)式给出的回归系数的估计值． [b, bint, r, rint, stats]=regress(y, x) 给出回归系数的估计值b，的95％置信区间（向量）bint，残差r以及每个残差的95％置信区间（向量）rint；向量stats给出回归的R2统计量和F以及临界概率p的值． 如果的置信区间（bint的第行）不包含0，则在显著水平为时拒绝的假设，认为变量是显著的． [b, bint, r, rint, stats]=regress(y, x, alpha) 给出了bint和rint的100(1-alpha)%的置信区间． 三次样条插值函数的MATLAB程序 matlab的spline x = 0:10; y = sin(x); %插值点xx = 0:.25:10; %绘图点yy = spline(x,y,xx); plot(x,y,o,xx,yy) 非线性拟合 非线性拟合可以用以下命令(同样适用于线形回归分析)：1.beta = nlinfit(X,y,fun,beta0) X给定的自变量数据,Y给定的因变量数据,fun要拟合的函数模型(句柄函数或 者内联函数形式), beta0函数模型中系数估计初值,beta返回拟合后的系数 2.x = lsqcurvefit(fun,x0,xdata,ydata) fun要拟合的目标函数,x0目标函数中的系数估计初值,xdata自变量数据,ydata函数值数据 X拟合返回的系数(拟合结果) nlinfit 格式： [beta，r，J]=nlinfit（x，y，’model’, beta0） Beta 估计出的回归系数 r 残差 J Jacobian矩阵 x，y 输入数据x、y分别为n*m矩阵和n维列向量，对一元非线性回归，x为n维列向量。 model是事先用m-文件定义的非线性函数 beta0 回归系数的初值 例1已知数据： x1=[0.5,0.4,0.3,0.2,0.1];? ?x2=[0.3,0.5,0.2,0.4,0.6]; x3=[1.8,1.4,1.0,1.4,1.8]; y=[0.785,0.703,0.583,0.571,0.126]’; 且y与x1，x2 , x3关系为多元非线性关系（只与x2,x3相关）为： ?y=a+b*x2+c*x3+d*(x2.^2)+e*(x3.^2) 求非线性回归系数a , b , c , d , e 。 (1)对回归模型建立M文件model.m如下: function yy=myfun(beta,x) x1=x(:,1); x2=x(:,2); x3=x(:,3); yy=beta(1)+beta(2)*x2+beta(3)*x3+beta(4)*(x2.^2)+beta(5)*(x3.^2); (2)主程序如下: x=[0.5,0.4,0.3,0.2,0.1;0.3,0.5,0.2,0.4,0.6;1.8,1.4,1.0,1.4,1.8]; y=[0.785,0.703,0.583,0.571,0.126]; beta0=[1,1, 1,1, 1]; [beta,r,j] = nlinfit(x,y,@myfun,beta0) 例题2：混凝土的抗压强度随养护时间的延长而增加，现将一批混凝土作成12个试块，记录了养护日期（日）及抗压强度y（kg/cm2）的数据： 养护时间：x =[2 3 4 5 7 9 12 14 17 21 28 56 ] 抗压强度：y =[35+r 42+r 47+r 53+r 59+r 65+r 68+r 73+r 76+r 82+r 86+r 99+r ] 建立非线性回归模型，对得到的模型和系数进行检验。 注明：此题中的+r代表加上一个[-0.5,0.5]之间的随机数 模型为：y=a+k1*exp(m*x)+k2*exp(-m*x); Matlab程序：x=[2 3 4 5 7