数学建模-回归分析PPT.ppt

(Ⅱ)一、多元回归分析模型及定义 返回 二、模型参数估计 返回 1.与一元线性回归模型的检验一样，多元线性回归模型的检验也主要分为： 对多元线性回归模型的检验 拟合优度检验 显著性检验 回归方程线性关系的显著性检验（F 检验） 回归系数的显著性 检验（t 检验） 三、多元线性回归中的检验与预测 2、预测 （1）点预测 （2）区间预测 返回 四、逐步回归分析 （4）“有进有出”的逐步回归分析。 （1）从所有可能的因子（变量）组合的回归方程中选择最优者； （2）从包含全部变量的回归方程中逐次剔除不显著因子； （3）从一个变量开始，把变量逐个引入方程； 选择“最优”的回归方程有以下几种方法： “最优”的回归方程就是包含所有对Y有影响的变量, 而不包含对Y影响不显著的变量回归方程。 以第四种方法，即逐步回归分析法在筛选变量方面较为理想. 这个过程反复进行，直至既无不显著的变量从回归方程中剔除，又无显著变量可引入回归方程时为止。 逐步回归分析法的思想： 从一个自变量开始，视自变量Y作用的显著程度，从大到地依次逐个引入回归方程。 当引入的自变量由于后面变量的引入而变得不显著时，要将其剔除掉。 引入一个自变量或从回归方程中剔除一个自变量，为逐步回归的一步。 对于每一步都要进行Y值检验，以确保每次引入新的显著性变量前回归方程中只包含对Y作用显著的变量。 返回 统计工具箱中的回归分析命令 1、多元线性回归 2、多项式回归 3、非线性回归 4、逐步回归 返回 多元线性回归 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) 回归系数的区间估计 残差 用于检验回归模型的统计量， 有三个数值：相关系数r2、 F值、与F对应的概率p 置信区间 显著性水平 （缺省时为0.05） 例1 解： 1、输入数据： x=[143 145 146 147 149 150 153 154 155 156 157 158 159 160 162 164]; X=[ones(16,1) x]; Y=[88 85 88 91 92 93 93 95 96 98 97 96 98 99 100 102]; 2、回归分析及检验： [b,bint,r,rint,stats]=regress(Y,X) b,bint,stats 题目 3、残差分析，作残差图： rcoplot(r,rint) 从残差图可以看出，除第二个数据外，其余数据的残差离零点均较近，且残差的置信区间均包含零点，这说明回归模型 y=-16.073+0.7194x能较好的符合原始数据，而第二个数据可视为异常点. 4、预测及作图： z=b(1)+b(2)*x plot(x,Y,k+,x,z,r) 返回 多 项 式 回 归 （一）一元多项式回归 （1）确定多项式系数的命令：[p，S]=polyfit（x，y，m） （2）一元多项式回归命令：polytool（x，y，m） 1、回归： y=a1xm+a2xm-1+…+amx+am+1 2、预测和预测误差估计： （1）Y=polyval（p，x）求polyfit所得的回归多项式在x处 的预 测值Y； （2）[Y，DELTA]=polyconf（p，x，S，alpha）求polyfit所得 的回归多项式在x处的预测值Y及预测值的显著性为1- alpha的置信区间Y DELTA；alpha缺省时为0.5. 法一 直接作二次多项式回归： 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]; [p,S]=polyfit(t,s,2) 得回归模型为 ： 法二 化为多元线性回归： 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