气象统计应用08Matlab回归分析幻灯片课件.pptVIP

气象统计应用;Matlab回归分析;b=regress( Y, X );clear;close; Tm=[0.9 1.2 2.2 2.4 -0.5 2.5 -1.1 0 6.2 2.7 3.2 -1.1 2.5 1.2 1.8 0.6 2.4 2.5 1.2 -0.8]; A=[32 25 20 26 27 24 28 24 15 16 24 30 22 30 24 33 26 20 32 35]; Tm=Tm; A=A; X=[ones(20,1) A]; b=regress(Tm,X);;多元线性回归;建立回归方程; x=[ 7 1 11 11 7 11 3 1 2 21 1 11 10; 26 29 56 31 52 55 71 31 54 47 40 66 68; 60 52 20 47 33 22 6 44 22 26 34 12 12]; y=[78.5 74.3 104.3 87.6 95.9 109.2 102.7 72.5 93.1 115.9 83.8 113.3 109.4]; A=[x’ y’]; R=corrcoef(A) R = 1.0000 0.2286 -0.2454 0.7307 0.2286 1.0000 -0.9730 0.8163 -0.2454 -0.9730 1.0000 -0.8213 0.7307 0.8163 -0.8213 1.0000;R = 1.0000 0.2286 -0.2454 0.2286 1.0000 -0.9730 -0.2454 -0.9730 1.0000 Rxy = 0.7307 0.8163 -0.8213;对回归方程进行显著性检验;对三个因子进行显著性检验; 尽管回归方程是显著的，并不能说明方程中所有因子都对预报量有显著影响。就一般情况而言，回归方程中所包含的预报因子越多，回归平方和也越大，方程一般容易通过检验，但是因子个数增多，也给方程增加了不少于预报量关系不大的因子。; b = regress(y,X) [b,bint] = regress(y,X) [b,bint,r] = regress(y,X) [b,bint,r,rint] = regress(y,X) [b,bint,r,rint,stats] = regress(y,X) [...] = regress(y,X,alpha); [b, bint,r,rint,stats]=regress(Y,X,alpha);[b,bint,r,rint,stats]=regress(Tm,X,0.05);;画出残差及其置信区间:rcoplot（r,rint）;§2.4 逐步回归; (4)实例分析: 对例子作逐步回归，具体步骤如下： 准备阶段：构造增广矩阵 ;逐步回归计算: 第一步： 计算各因子的方差贡献: 消去第四列,得： ;第二步： 计算余下各因子的方差贡献 ： 进行检验 ： 消去第一列得： ;第三步：计算余下各因子的方差贡献： 消去第二列得： ;第四步：计算已引入方程中的因子的方差贡献 ： 作剔除的检验： 故 可以剔除。消去第四列，得到的矩阵相当于仅消去过第1，2列的矩阵 : ;计算引入方程的 因子的方差贡献： 进行F检验，计算得： 认为不能 引进，又无剔除，逐步回归到此结束。;第五步: 计算最后结果：得到标准化变量的回归方程,如下 : 复相关系数 ^ 均方差无偏估计量为σ=2.40 ;编写逐步回归程序