[理学]数学模型回归分析.pptVIP

clc clear t=1/30:1/30:14/30; s=[11.86,15.67,20.60,26.69,33.71,41.93,51.13,61.49,72.90,85.44,99.08,113.77,129.54,146.48]; plot(t,s) * 回 归 分 析 (一) 一、一元线性回归 1.一元线性回归的基本定义： 设两个随机变量x和y之间服从以下线性关系： 现存在n个值xi和yi (i=1,2,…,n), 则它们满足关系： 假设 相互独立，且满足： 则称y和x服从一元线性回归模型。 2. 未知参数的估计 (1) 确定β0,β1的最小二乘估计 估计量 称为 的最小二乘估计。 估计量： (2) 对 的无偏估计 称 通过点 与 的直线 称为回归直线。 为残差平方和。 的无偏估计为： 3. 回归方程的检验 对回归方程 的显著性检验归结于： 对假设 进行检验。 若假设H0被拒绝，则回归方程的线性相关性显著， 认为变量x与y之间存在线性关系，所求的回归方程有意义。 (1) 线性相关性检验： 当 时，拒绝H0 （Ⅰ）F检验法 对假设 进行检验。 当H0成立时， 其中 称为回归平方和。 对假设 进行检验。 （Ⅱ）t检验法 当H0成立时， 其中 当 时，拒绝H0 (2) 拟合程度的测定：r-检验法 测定变量y的观测点聚在回归直线 周围的紧密程度，称为回归直线对样本的拟合程度， 通常用可决系数r2来表示。 可决系数r2越接近于1，表明回归直线和各观测值点越接近，回归直线的拟合程度越高。 称为总偏差平方和。 称为回归平方和。 称为残差平方和。 4.一元线性回归的Matlab实现 用regress命令，其用法： b=regress(y,x); [b,bint,r,rint,stats]=regress(y,x,alpha); 其中：y因变量（列向量），x由1与自变量组成 回归系数 b的置信区间 残差 r的置信区间 用于检验的统计量 显著性水平 （确省为0.05） stats包含4个统计量： R2，F，p，s2 R2:可决系数，用法：越接近于1线性相关性越强， 模型越有效。 F:F值，用法：若FF1-α(1,n-2), 认为变量y与x有 显著的线性相关性。 其中：F1-α(1,n-2)可用Matlab命令finv(α,1,n-2)计算 p：F(1,n-2)大于F值的概率， 用法：pα模型可用。 例1 某种合金强度与碳含量有关，研究人员在生产试验中收集了该合金强度y与碳含量x的数据（见表）试建立y与x的函数关系模型，并检验模型的可信度，检查数据中有无异常点。 60.5 55.5 55.5 50.0 55.0 49.0 47.5 45.0 45.5 45.0 41.5 42.0 y 0.23 0.21 0.2 0.18 0.17 0.16 0.15 0.14 0.13 0.12 0.11 0.10 x 解 （1）作出x,y 的散点图，确定所要采用的回归模型 clc clear x1=0.1:0.01:0.18; x2=[x1,0.2,0.21,0.23]; y=[42.0,41.5,45.0,45.5,45.0,47.5,49.0,55.0,50.0,55.5,55.5,60.5]; plot(x2,y,*) （2）作回归分析 x=[ones(12,1) x2]; [b,bint,r,rint,stats]=regress(y,x) 运行结果： b = 26.8909 141.7415 bint = 22.1824 31.5994 112.8808 170.6022 stats = 0.9229 119.7470 0.0000 3.1150 结果表明：决定系数R2= 0.9229 接近于1， F1-0.05 (1,12-2)= 0.0041 119.7470 p= 0.00000.05 故回归模型 y= 26.8909 + 141.7415 x 成立 （3）残差分析 残差图： rcoplot(r,rint) 第8个点为异常点。 看出：除第8个点外，其