数学建模回归分析报告.pptVIP

这里的输入数据x、y分别为n×m矩阵和n维列向量，对一元非线性回归，x为n维列向量； model是事先用m-文件定义的非线性函数；beta0是回归系数的初值。Beta是估计出的回归系数，r（残差）、J（Jacobian矩阵）是估计预测误差需要的数据。alpha为显著性水平，缺省时为0.05。 预测和预测误差估计：预测和预测误差估计的命令格式为betaci=nlparci(beta,r,J) 其用途为记算回归系数的置信区间；[Y,DELTA]=nlpredci(model,x,beta,r,J) 其用途为求nlinfit或nlintool所得的回归函数在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0.05。 某些非线性回归也可化为多元线性回归来解。 4、 逐步回归 逐步回归的命令是stepwise，它提供了一个交互式画面，通过此工具可以自由地选择变量，进行统计分析。通常用法是： stepwise(x，y，inmodel，alpha)， 其中x是自变量数据，y 是因变量数据，分别为 n ×m和n ×1矩阵，inmodel是矩阵的列数指标，给出初始模型中包括的子集（缺省时设定为全部自变量），alpha为显著水平（缺省时为0.05）。 运行stepwise命令时产生三个图形窗口：Stepwise Plot，Stepwise Table，Stepwise History。所有这些图形界面都由热区，即当鼠标移到图形的某个区域时，鼠标的指针会变成一个小圆，点击后会产生交互作用。 知识回顾Knowledge Review 回归分析 山东建筑大学 贺长伟 引言 回归分析是处理很难用一种精确方法表示出来的变量之间关系的一种数学方法，它是最常用的数理统计方法，能解决预测、控制、生产工艺优化等问题。它在工农业生产和科学研究各个领域中均有广泛的应用。 回归分析一般分为线性回归分析和非线性回归分析。本节着重介绍线性回归分析的基本结论及其在Matlab中的相应命令。线性回归分析是两类回归分析中较简单的一类，也是应用较多的一类。 一 一元线性回归分析 针对一组（二维）数据 （其中 互不相同），其最简单的数据拟合形式为寻求直线 ，使 在最小二乘准则下与所有数据点最为接近。 但由于随机观测误差的存在，满足上述数据点的直线应该是 (1.1) 其中x, y是准确的, 是两个未知参数， 是均值为零的随机观测误差，具有不可观测性， 可以合理地假设这种观测误差服从正态分布。 于是我们得到一元线性回归模型为 (1.2) 其中 未知，固定的未知参数 称为回归 系数，自变量x称为回归变量。 (1.1)式两边同时取期望得： 称为y 对x的回归直线方程。 在该模型下，第i个观测值可 以看作样本（这些样本相互独立但不同分布, i = 1,2,…,n）的实际抽样值，即样本值。 一元线性回归分析的主要任务是： a.用实验值（样本值）对 作点估计； b.对回归系数 作假设检验； c.在 处对y 作预测，并对y作区间估计。 1、 回归参数 估计 假设有n组独立观测值： 则 由(1.2)有 （1.3） 其中 相互独立。记 称 为偏离真实直线的偏差平方和。由最小二乘法得到的估计 称为 的最小二乘估计，其中 （经验）回归方程为 （1.4） 这样我们得到 的无偏估计 ， 其中 服从正态分布 2 模型的假设、预测、控制 1、回归方程的显著性检验 在实际问题中，因变量y 与自变量x之间是否有线性关系(1.1)只是一种假设，在求出回归方程之后，还必须对这种