数学建模常用方法总结(含程序).docVIP

1.回归模型 （含剔除） 5.2模型一的建立（含交叉项的多项式回归模型） 由以上分析可知，如果交易费用率与影响其变动的主要影响因素：之间有很密切的关系，则应该有： （5-1） 其中，和分别代表交易费用和影响其变动的主要因素。 经初步判断，是多项式函数，其表达式为： （5－2） 其中，分别为对应二级指标的系数；分别为对应的系数；分别为对应6种二级指标两两组合而成的项交叉项的系数；分别为对应6种二级指标三三组合而成的项交叉项的系数。（最多有三个之间的互相影响）因素不能超过8个 式（5-2）对应的数据矩阵和向量分别为： 其中，为一个30行1列的单位矩阵；为一个30行1列的矩阵，其列数据分别对应表3中第列中的数据；列数据分别对应表3中第列中的数据的平方；列数据分别对应表3中第列中的数据两两组合而成的项交叉项的乘积；列数据分别对应表3中第列中的数据三三组合而成的项交叉项的乘积；为一个6行47列的矩阵，各行数据分别对应附录一中各国每年交易费用率的数据。 5.3模型一的求解 经MATLAB编程计算得： 故得回归方程： （5－3） 5.4模型一的检验 5.4.1回归方程（5-3）的显著性检验（检验） （1）提出假设： ，线性关系不显著； 至少有一个不等于0。 （2）计算检验统计量： （3）确定显著性水平和分子自由度、分母自由度，找出临界值： ， （4）作出决策： 由查表可知，，拒绝。 5.4.2回归方程（5-3）的复相关系数 对样本进行分析计算可得： 偏差平方和： 回归平方和： 残差平方和： 由此求得模型一中多项式回归方程（5-3）的复相关系数为： 由计算结果可知，模型一的复相关系数较高，所给数据的拟合性较好，符合要求。所以用含交叉项的多项式回归模型去拟合所给的数据是合适的，所以我们接受交易费用率与二级指标数据的关系之间满足线性相关关系这一假设。 5.5模型一的评价与结论 我们对所选指标进行逐步回归分析，确定其是否为影响交易费用率的主要因素，下表（表8）为当分别剔除各一级指标时模型一中多项式回归方程（5-3）的复相关系数值的变化情况。 表8 当剔除各一级指标时模型一值的变化情况 剔除指标 复相关系数 结论 分工水平 0.8486 0.1358 不能剔除 制度环境 0.8570 0.1274 不能剔除 教育水平 0.8354 0.1490 不能剔除 由表8可知，当剔除各评价指标时，回归方程的复相关系数有较大变化，数据的拟合性有较大幅度下降，线性关系较原来差，所以各评价指标均不能剔除。 2.模型检验 这个模型都通过统计检验，具有合理性，可靠性，则用线性回归组合预测模型 其中： 若： 则检验通过说明不同模型得到的预测值整体与实际值线性关系显著 所谓多重线性组合预测是利用不同模型组得到的组合值，再进行组合预测，从而提高了预测精度。 根据上述方法的简述，我们建立最后将所得的模型进行了相应的改进，表达形式如下： 在此模型中，我们的 商差平方和： 残差平方和： 回归标准差： 为相关系数：(拟合优度) 回归标准差： 另外，为了便于分析，我们引入下标符号 预测误差 预测相对误差： 预测精度： 综上所述：预测平均精度： 或者用： 运用相关系数衡量变量之间相关程度 3 模糊聚类和综合评判（确定等级模型） 首先，列举出有可能影响各种指标的评价因素，具体如上表所示。之后，我们针对经营状况评价标准进行了建模和求解： 经营状况评价 投资额 经营面积 月租金 员工人数 月营业额 李家酒店 老街咖啡屋 大卫咖啡 老战友 豪客牛排馆 百味福餐馆 吴记蒸菜馆 鲜味居菜馆 模糊权重值： 表示第项指标的信息 我们利用模糊数学建立隶属函数即归一法则： 利用格贴近度来建立模糊相似矩阵： 即有模糊相似模型矩阵为： 取进行聚类： 得到矩阵 既有分类为： … … 对同一类的数据进行删除，即留下剩余的影响指标为： 四个顶级经营：，分别表示好，较好，一般，差 即得到多因素评判矩阵： 权的分配： 欧几里得贴近度： 由贴近公式得到： 综上所述： B的贴近度 程序 a=[276.2 324.5 158.6 412.5 292.8 258.4 334.1 303.2 292.9 243.2 159.7 331.2 251.5 287.3 349.5 297