MATLAB数据分析方法_(2).pptVIP

表3.10改进回归模型的系数、系数置信区间与统计量 R2= 0.9931，F= 858.5846，p0.0001，s2 =0.0150 [0.00073,0.0012] 0.0010 ?2 [-4.8880 ,-3.8308] -4.3594 ?1 [290.6145 ,366.3087] 328.4616 ?0 回归系数置信区间 回归系数估计值 回归系数 我们将表3.9与表3.10加以比较，可以发现：可决系数从0.9863提高到0.9931，F统计量从468.4118提高到858.5846，由此可知改进后的模型显著性提高。 图 3-22删除异常点后残差示意图 图3.21 残差示意图 例3.1.6 对例题3.1.3进行非线性回归，并预测照射16次后细菌残留数目，给出模型参数的95%的置信区间，绘出模型交互图形. 解：我们选取函数y=aebt进行非线性回归，该方程的两个参数具有简单的物理解释，a表示实验开始时的细菌数目，b表示细菌死亡（或衰变）的速率。 MATLAB脚本程序如下： t=1:15; y=[352 211 197 160 142 106 104 60 56 38 36 32 21 19 15]; fun=inline(b(1)*exp(b(2)*t),b,t) % 非线性函数 beta0=[148,-0.2]; % 参数初始值 [beta,r,J]=nlinfit(t,y,fun,beta0); % 非线性拟合 beta % 输出最佳参数 y1=nlpredci(fun,t,beta,r,J); % 模型数值计算 plot(t,y,*,t,y1,-or), legend(原始数据,非线性回归) xlabel(t(照射次数)) ylabel(y(残留细菌数)) ypred = nlpredci(fun,16,beta,r,J) % 预测残留细菌数 ci = nlparci(beta,r,J) % 参数95%区间估计 nlintool(t,y,fun,beta0) % 作出交互图形 运行后结果如下： beta = 400.0904 -0.2240 即，最佳参数为：a=400.0904，b=-0.2240 故非线性回归模型为 预测为：ypred =11.1014 即，照射16次后细菌残留数目为11.1014，该预测符合实际，显然比例3.1.3中多项式回归的结果合理。 ci =355.2481 444.9326 -0.2561 -0.1919 即参数a置信度为95%的置信区间 (ci的第一行)为： [355.2481 , 444.9326] 参数b的置信度为95%的置信区间 (ci的第二行)为 [-0.2561 -0.1919] 显然，最佳参数a=400.0904，b=-0.2240，均属于各自置信度为95%的置信区间。 图3.13原始数据与非线性回归图形 图3.14 原始数据与非线性回归GUI图形 从交互图形3.14可以看出：圆圈为原始数据，两条虚线（屏幕上显示红色）是置信区间曲线；两条虚线内的实线（屏幕上显示绿色）是回归模型曲线；纵向虚线指示照射8次，此时对应的水平虚线表示模型得到的残留细菌数为：66.6451。 图3.14 原始数据与非线性回归GUI图形 3.1.3一元回归建模实例 例3.1.7在四川白鹅的生产性能研究中，得到如下一组关于雏鹅重（g）与70日龄重(g)的数据，试建立70日龄重(y)与雏鹅重(x)的直线回归方程，计算模型误差平方和以及可决系数，当雏鹅重分别为：85,95?,115时预测其70日龄重，以及置信区间。 表3.5 四川白鹅重与70日龄重测定结果 （单位：g） 2860 2960 2920 3080 2400 2630 2680 3150 2500 2720 2400 2350 70日龄重(Y) 100 110 105 113 83 95 102 120 90 98 86 80 雏鹅重(x) 12 11 10 9 8 7 6 5 4 3 2 1 编号 解：（1）作散点图。以雏鹅重（x）为横坐标，70日龄重（y）为纵坐标作散点图，如图2-14。 在MATLAB命令窗口中输入: x=[80 86 98 90 120 102 95 83 113 105 1