- 1、本文档共6页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
练习29 回 归 分 析
数 学 知 识 背 景
回归分析是对拟合问题进行地统计分析,数据拟合地好坏直接影响对问题研究的正确与否,也直接关系到模型建立正确与否。通过回归分析可以对数据拟合的好坏进行分析,从而为建立模型合研究问题提供有力的支持。
主 要 内 容
【本练习考查知识点】
本练习主要介绍回归分析的基本思想和在MATLAB中的实现方法,讲述如何在实际问题中运用回归分析来解决问题。
练 习 过 程
(1)用切削机床加工时,为实时地调整机床需测定刀具的磨损速度,现每隔一小时测量一次刀具的厚度得到以下数据,试建立刀具厚度关于切削时间的回归模型,对模型和回归系数时行检验,预测15小时后刀具的厚度。
时间(h)
0
1
2
3
4
5
6
7
8
9
10
刀具厚度(cm)
30.6
29.1
28.4
28.1
28.0
27.7
27.5
27.2
27.0
26.8
26.5
先作出各个点的位置。在命令区运行程序:
x=[0,1,2,3,4,5,6,7,8,9,10]’;
y=[[30.6,29.1,28.4,28.1,28.0,27.7,27.5,27.2,27.0,26.8,26.5]’;
plot(x,y,’r+’)
运行后得到如下图结果。从图29-1中可见,y与x 大致符合线性关系。
接着运行如下程序:
X=[ones(11,1),x];
[b,bint,r,rint,stats]=regress(y,X)
b,bint,stats,rcoplot(r,rint)
运行结果为:
b =29.5455
-0.3291
bint =28.9769 30.1140
-0.4252 -0.2330
stats =0.8696 60.0018 0.0000
图29-1 磨损实验图 图29-2残差分布图
由以上结果可见,相关系数R2=0.93250.9,p10-4,因此,此回归模型是成立的。以此预测15小时后刀具的;
y=b(1)+b(2)*15
结果为:y=24.6091,即15小时后刀具的厚度为24.6091cm。
观察图中的残差分布,除第一个点以外,其余残差的置信区间均包含零点,第一个点应视为异常点,将其剔除后重新计算,可得
b=29.0533 bint=28.8334 29.2732 stats=0.9726 283.5599 0.0000
-0.2588 -0.2942 -0.2233
可见,回归系数变化不大,但置信区间明显缩小,R2和F都明显变大。因此,用修改后的结果预测应该更合适。计算y=b(1)+b(2)*15, 结果为y=25.1713,即15小时 扣刀具的厚度为25.1713cm。
(2)得到某商品的需求量与消费者的平均收入、商品价格的统计数据如下,建立回归模型并进行检验,预测平均收入为1000、价格为6时的商品需求量。
需求量
100
75
80
70
50
65
90
100
110
60
收入
1000
600
1200
500
300
400
1300
1100
1300
300
价格
5
7
6
6
8
7
5
4
3
9
先作图观察需求量与收入、价格的大致关系。在命令区运行程序:
x1=[1000,600,1200,500,300,400,1300,1100,1300,300]’;
x2=[5,7,6,6,8,7,5,4,3,9]’;
y=[100,75,80,70,50,65,90,100,110,60]’;
plot(x1,y,’r+’)
plot(x2,y,’r+’)
图29-3 需求量与价格关系图 图29-4收入与价格关系图
接着运行如下程序:
x=[x1,x2];
X=[ones(10,1),x];
[b,bint,r,rint,stats]=regress(y,X);
b,bint,stats,rcoplot(r,rint)
运行结果如下:
b =111.6918
0.0143
-7.1882
bint =56.0503 167.3334
-0.0120 0.0406
-13.2306 -1.1458
stats=0.8944 29.6533 0.0004
并得到图29-5
由以上结果可见,相关系数R2=0.8944,则R=0.94570.9,p=0.00040.05,观察图中的残差分布,各个点的置信区间均包含零点。因此,此回归模型y=111.6981+
文档评论(0)