[工学]Matlab与统计分析.docVIP

Matlab与统计分析 一、 回归分析 1、多元线性回归 1.1 命令 regress( )， 实现多元线性回归，调用格式为 [b,bint,r,rint,stats]=regress(y,x,alpha) 其中因变量数据向量Y和自变量数据矩阵x按以下排列方式输人 对一元线性回归，取k=1即可。alpha为显著性水平(缺省时设定为0.05)，输出向量b，bint为回归系数估计值和它们的置信区间，r，rint为残差及其置信区间，stats是用于检验回归模型的统计量，有三个数值，第一个是， 其中R是相关系数，第二个是F统计量值，第三个是与统计量F对应的概率P，当 时拒绝，回归模型成立. 注：1、两组数据的相关系数在概率论的标准定义是：R= E{(x - E{x}) * (y - E{y})} / (sqrt({(x - E{x})^2) * sqrt({(y - E{y})^2))E{}求取期望值。也就是两组数据协方差与两者标准差乘积的商。如果|R|=1说明两者相关，R=0说明两者不相关. F是方差分析中的一个指标，一般方差分析是比较组间差异的。F值越大，P值越小，表示结果越可靠. x2=[0.450,0.475,0.485,0.500,0.535,0.545,0.550,0.575]; x3=[2.170,2.554,2.676,2.713,2.823,3.088,3.122,3.262]; x4=[0.8922, 1.1610，0.5346，0.9589, 1.0239, 1．0499,1.1065, 1.1387]; Y=[5.19, 5.30，5.60，5.82，6.00，6.06，6.45，6.95]; Step 2 保存数据（以数据文件.mat 形式保存，便于以后调用） save data x1 x2 x3 x4 y load data %取出数据 Step 3 执行回归命令 x=[ones(8,1),x1,x2,x3,x4]； [b,bint,r,rint,stats]=regress(y,x) 得到结果： b=(-16.5283, 15.7206， 2.0327．-0.2106，-0.1991) stats=(0.9908,80.9530，0.0022) 即 Y= -16.5283+15.7206x1+2.0327x2-0.2106xl+0.1991x4 =0.9908, F=80.9530,P=0.0022 非线性回归 2.1 命令 nlinfit( ) 实现非线性回归，调用格式为 [beta,r,J]=nlinfit(x,y,‘model’,beta0) 其中，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是回归系数的初值．beta是估计出的回归系数，r是残差，J是Jacobian矩阵，它们是估计预测误差需要的数据. 2.2 命令 nlpredci( ) 预测和预测误差的估计，调用格式为 [y,delta]=npredci(model,x,beta,r,j) 2.3 实例 2 对实例1中COD浓度实测值(Y)，建立时序预测模型，这里选用logistic模型，即 Step 1 建立非线性函数 对所要拟合的非线性模型建立m-文件model.m如下 function yhat=model(beta,t) yhat=beta(1).／(1+beta(2)*exp(-beta(3)*t)) Step 2 输入数据 t= 1:8 load data y(在data．mat中取出数据y) beta0=[50，10，1]’ Step 3 求回归系数 [beta，r，J]=nlinfit(t，Y，‘model’, beta0) 得结果： beta=(56.1157，10.4006，0.0445)’ 即 Step 4 预测及作图 [YY,delta]=nlpredci(‘model’,x,beta,r ,J)； plot(x,y,k+,x,YY,r) 逐步回归 逐步回归的命令是stepwise， 它提供了一个交互式画面．通过此工具可自由地选择变量，进行统计分析.调用格式为： stepwise（x，y，inmodel，alpha） 其中x是自变量数据,是阶矩阵，y是因变量数据，阶矩阵，inmodel是矩阵的列数指标（给出初始模型中包括的子集（缺省时设定为全部自变量），alpha是显著性水平（缺省时为0.5）. 运行stepwise命令时产生三个图形窗口：Stepwise Plot，Stepwise Table，Stepwise History.在Stepwise Plot窗口，显示出各项的回归系数及其置信区