MATLAB计工具箱中的回归分析命令.ppt

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r 2、 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 To MATLAB(liti11) 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)* plot(x,Y,k+,x,z,r) 返回 To MATLAB(liti12) 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) To MATLAB（liti21） 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 85.44 99.08 113.77 129.54 146.48]; T=[ones(14,1) t (t.^2)]; [b,bint,r,rint,stats]=regress(s,T); b,stats To MATLAB(liti22) 得回归模型为 ： Y=polyconf(p,t,S) plot(t,s,k+,t,Y,r) 预测及作图 To MATLAB(liti23) （二）多元二项式回归 命令：rstool（x，y，’model’, alpha） n?m矩阵 显著性水平 （缺省时为0.05） n维列向量 例3 设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，预测平均收入为1000、价格为6时 的商品需求量. 法一 直接用多元二项式回归： 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]; x=[x1 x2]; rstool(x,y,purequadratic) 在画面左下方的下拉式菜单中选”all”, 则beta．rmse和residuals都传送到MATLAB工作区中. 将左边图形下方方框中的“800”改成1000，右边图形下方的方框中仍输入6.则画面左边的“Predicted Y”下方的数据由原来的“86.3791”变为88.479