[数学]运用MATLAB实现回归分析.pptVIP

2013年1月20日 数理统计与假设检验—— 应用ＭＡＴＬＡＢ实现回归分析 单位：研究生二队 姓名：燕玉林 学号：244201222016 指导教员：宋爱斌 1、多元线性回归 2、多项式回归 3、非线性回归 4、逐步回归 回归分析的MATLAB实现 1.多元线性回归 线性回归:regress 调用格式: (1) b=regress(Y,X) (2) [b,bint]=regress(Y,X) (3) [b,bint,r]=regress(Y,X) (4) [b,bint,r,rint]= regress(Y,X) (5) [b,bint,r,rint,stats]= regress(Y,X) (6) [...]=regress(Y,X,alpha) 线性回归: b=regress(Y,X) [b,bint,r,rint,stats]=regress(Y,X,alpha) 输入: Y~因变量(列向量), X~1与自变量组成的矩阵， Alpha~显著性水平（缺省时设定为0.05） stats: 4个统计量：决定系数R2，F值, F(1,n-2)分布大于 F值的概率p，p时回归模型有效，σ2的估计值 rcoplot(r,rint) 残差及其置信区间作图 调用格式 b=regress(Y,X, alpha) [b,bint,r,rint,stats]=regress(Y,X, alpha) Y为观察得到的随机变量，X为自变量矩阵。若回归 系数中包含常数，则X的第一列应全部为1，Y与X的 行数相等，X的列数等于回归系数的个数。alpha为 输出各种置信区间用的显著性水平。 输出结果有5项： b是参数的点估计； bint为参数的区间估计； r为残差的点估计； rint为残差的区间估计，当点估计落在区间估计之外时，拒绝原假设； stats中包含四个项: R2是回归方程的相关系数R的平方;σ2的估计值 F是回归方程的F统计量， ; P是拒绝原假设的概率，当Palpha时拒绝假设H0 ： ，即接受y与x有线性关系。 b=regress( Y, X ) 1、确定回归系数的点估计值： 3、画出残差及其置信区间： rcoplot（r，rint） 2、求回归系数的点估计和区间估计并检验回归模型： [b, bint,r,rint,stats]=regress(Y,X,alpha) 例 为了研究钢材消费与国民收入之间的关系，在统计年鉴上查得一组历史数据如下表 年份 钢材消费量（万吨） 国民收入 （亿元） 年份 钢材消费量（万吨） 国民收入 （亿元） 1964 698 1097 1973 1765 2286 1965 872 1284 1974 1762 2311 1966 988 1502 1975 1960 2003 1967 807 1394 1976 1902 2435 1968 738 1303 1977 2013 2625 1969 1025 1555 1978 2446 2948 1970 1316 1917 1979 2736 3155 1971 1539 2051 1980 2825 3372 1972 1561 2111 试分析预测若1981到1985年我国国民收入以4.5%的速度递增，钢材消费量将达到什么样的水平？ 令钢材消费量为y，国国民收入为x x=[1097 1284 1502 1394 1303 1555 1917 2051 2111 2286 2311 2003 2435 2625 2948 3155 3372] y=[698 872 988 807 738 1025 1316 1539 1561 1765 1762 1960 1902 2013 2446 2736 2825] 作出x，y的散点图，plot(x,y,o) 从图中可看出，y随x增大有明显的线性增长趋势 X=[ones(size(x)),x]; [b,bint,r,rint,stats]=regress(y,X,0.05) b = -460.5282 0.9840 bint = -691.8478 -229.2085 0.8779 1.0900 r = 略 stats = 0.9631 391.2713 0.0000 结果解释 R2和F都明显大，表明直线对样本的拟合程度很高 F0.95(1,15)=4.54，满足F F0.