基于Matlab矩阵运算多元回归函数编程.docVIP

基于Matlab矩阵运算多元回归函数编程 　　摘 要：多元线性回归是计量分析中最常用的方法之一，在经济学、金融学和管理学中运用广泛。线性回归方法依赖于矩阵和向量的运算，因此以矩阵运算为内核的Matlab是理想的编程平台。本文以开发多元线性回归函数作为例子，着重分析Matlab自定义函数的设计理念，同时突出varargin、nargin等特殊函数的代码编写。通过交叉运用线性代数、概率统计等数学工具，本文为计量研究人员提供了新的编程视角。 　　关键词：矩阵运算；Matlab；多元线性回归；函数编程 　　中图分类号：TP311.1 文献标识码：A 　　1 引言（Introduction） 　　普通最小二乘法（Ordinary Least Square，以下简称OLS）是最重要的多元线性回归法，该方法被广泛地应用于各种定量分析领域[1]。目前，许多主流计量分析软件都支持OLS回归法，比如SAS、R、Eviews等。Matlab也能够实现多元线性回归，其自带的Statistics Toolbox和Econometrics Toolbox提供了比较丰富的计量分析功能。既然有现成的回归分析软件，为什么还要自己编写原始代码？原因有以下两点。第一，计量经济学的发展是日新月异的，上述主流回归分析软件的更新无法跟上计量经济学的前进步伐。通过对原始代码的详细分解，能够让广大研究人员掌握回归分析的核心编程思路。第二，计量经济学的难点在于线性代数和概率统计，在实践中学习是掌握各种计量工具的关键。通过编程，有利于更好地吸收回归分析知识。 　　多元线性回归的代码设计包括数据储存、矩阵运算、结果输出等环节。本文先从Matlab自定义函数编程出发，利用varargin、nargin等特殊函数处理变量数据。之后利用Matlab强大的矩阵运算功能得到回归分析统计量，并将回归结果以表格形式输出。目前，国内有少量的文献涉及Matlab计量编程，这些研究存在一些可改进之处。首先，回归方程的变量数目应该由用户自定义。在计量经济学的实际应用中，控制变量的筛选是不确定的。借助Matlab内置的varargin、nargin等函数，本文的程序能够有效地处理多个解释变量，即可以实现变量数目的自定义。其次，回归结果应该给出完整的统计量，不应该仅仅提供系数大小。本文的Matlab程序给出了回归系数、标准误、P值等统计量，符合计量分析的学术标准。再次，回归结果可以用表格形式输出。Matlab的内置table函数提供了丰富的输出选项，在多元回归的情况下可以用table函数批量地输出各种统计量。 　　2 线性回归法的理论回顾（Review of linear regression） 　　用表示被解释变量，表示自变量，表示干扰项，那么总体线性方程可以表示为[2]： 　　用表示被解释变量的向量形式，表示自变量的矩阵形式，表示样本容量，我们可以得到回归系数： 　　在同方差条件下，显著性检验所需的标准误可以由下式计算得到[3]： 　　3 常用的内置函数（Essential built-in functions） 　　为了构建完整的多元计量分析程序，我们将代码分为多个模块。一个完整的计量分析程序可以被分为三个模块，数理统计模块、矩阵运算模块和结果输出模块。数理统计模块是回归参数检验的重要部分，我们需要借助Matlab内置的数学函数来计算各种统计量。矩阵运算是Matlab的强项[3]，在求回归参数时需要用到diag函数。输出模块也非常关键，内置的table函数能够使回归结果以简洁的表格形式输出。在正式编写回归分析程序之前，我们先回顾一下将要涉及的Matlab内置函数。 　　3.1 用于显著性检验的tcdf函数 　　在计量分析中t分布具有重要作用，t分布可以用来检验某个解释变量的显著性。为了得到P值，我们需要计算t统计量。假定某个自变量的系数为，那么该变量的t统计量计算公式为，其中表示解释变量的标准误。利用Matlab内置的tcdf函数，我们可以得到任意自由度的t统计量。比如，某个变量的t值为-2.39，自由度为296，那么求相应P值的代码为（这里还用到了求绝对值的abs函数）： 　　pValue=（1-tcdf（abs（-2.39），296））*2 　　3.2 矩阵运算与diag函数 　　多元回归方法涉及大量的矩阵运算，因此我们可以借助Matlab进行与矩阵相关的操作。比如，先用ones内置函数构造一个元素全为1的5×5矩阵，将该矩阵命名为mat1。再将该矩阵与其转置矩阵相乘，将得到的新矩阵命名为mat2。利用Matlab内置的diag函数，我们可以很快地得到矩阵mat2主对角线上的所有元素。上述过程的代码如下： 　　mat1=ones（5，5） 　　mat2=m