第六次培训论文.docVIP

5.1多元线性回归 5.1.1多元线性回归方程建立 （1）多元线性回归分析的模型为 (1-1) 式中是与无关的未知参数称为回归系数 现得到n个独立观测数据 由 (1-1)得： 记 (1-2) (1-1)式可表示为 其中 En 为n阶单位矩阵。 （2）回归模型假设检验 因变量y与自变量 x1,...,xm之间是否存在如模型（1-1）所示的线性关系是需要检验的，显然，如果所有的 都很小， y与 x1,...,xm 的线性关系就不明显，所以可令原假设为 当H0 成立时满足 (1-2) 其中，U为残差平方和，Q回归平方和。 在显著性水平α下有上α分位数Fα（m,n-m-1) ,若FFα（m,n-m-1)，接受H0 还有一些衡量 y与x1,...,xm相关程度的指标，如用回归平方和在总平方和中的比值定义复判定系数和残差 (1-3) (1-4) 其中，SST为总平方和。 （3）Matlab 统计工具箱用命令 regress 实现多元线性回归，用的方法是最小 二乘法，用法是： 其中，X,Y是 (1-2) 中的矩阵，b是回归系数 这里同上，为显关系著性水平（缺省时设定为 0.05）为回归系数估计值和它们的置信区间，r,rint 为残差（向量）及其置信区间，stats 是用于检验回归模型的统计量，有四个数值，第一个是 R2 （见 (1-3) 式） ，第二个是F （见 (1-2) 式）， 第三个是与F 对应的概率 p，pα 拒绝 H0，回归模型成立，第四个是残差的方差 s2（见(1-4) 式） 。 残差及其置信区间可以用 rcoplot(r,rint)画图。 5.1.2多元线性回归方程求解 本文主要解决的基于产品的21种属性数据xi对产品的18种功效yj做出比较可靠的预测。基于此，本模型画出了yj分别关于xi的散点图，发现yj和xi之间的关系难于确定，尝试用线性回归进行分析，设回归模型为 (1-5) 从所给的数据中，抽取前50个配方作为样本，利用matlab求解分别列出18功效对应的线性方程，分析结果中的F 对应的概率 p，若pα ，则回归模型成立，然后观察命令 rcoplot(r,rint)所画的残差分布，剔除其中的异常点，重新计算，其中第11和12中功效剔除后重新计算的残差及其置信区间图形如图1和图2。 图1 图2 同理的，计算出所有的18个线性方程见附录。 5.1.3多元线性回归方程预测及检验 在上面已经得到了18个线性方程，然后把所给的数据中第55、65和75种配方作为测试样本，来检验模型的预测能力和残差大小。残差公式为 (1-6) 利用matlab编程得出测试样本的残差百分比相关数据如表1。 表1 y 1 y2 y3 y4 y5 y6 y7 y8 y9 0.32 0.12 0.08 0.12 0.73 0.19 0.13 0.08 0.31 0.5733 0.10 0.07 0.12 0.43 0.30 0.05 0.05 0.43 2.51 0.17 0.08 0.43 0.90 3.84 0.01 0.03 0.05 y10 y11 y12 y13 y14 y15 y16 y17 y18 0.61 0.71 0.23 0.22 0.03 0.25 0.11 0.78 0.09 0.85 1.73 3.60 0.29 0.10 0.15 0.23 0.39 0.36 0.83 1.00 1.64 0.05 0.20 0.20 0.44 0.47 0.59 5.2逐步回归 5.2.1逐步回归方程建立 在Matlab统计工具箱中用作逐步回归的命令是stepwise，它提供了一个交互式画面，通过这个工具你可以自由地选择变量，进行统计分析，其通常用法是： stepwise(x,y,inmodel,alpha) 其中x是自变量数据，y是因变量数据，分别为 m ×n 和 1 × n 矩阵，inmodel是矩阵x的列数的指标，给出初始模型中包括的子集（缺省时设定为空） ，alpha为显著性水平。 StepwiseRegression 窗口，显示回归系数及其置信区间，和其它一些统计量的信息。绿色表明在模型中的变量，红色表明从模型中移去的变量。在这个窗口中有Export按钮，点击Export产生一个菜单，表明了要传送给mat