第三讲 回归分析.ppt

MATLAB数据分析方法 ; 回归分析是最常用的数据分析方法之一。它是根据已得的试验结果以及以往的经验来建立统计模型，并研究变量间的相关关系，建立起变量之间关系的近似表达式即经验公式，并由此对相应的变量进行预测和控制等.;通常，我们对总体(x,Y)进行n次的独立观测，获得n组数据（称为样本观测值）; ;例3.1.1 近10年来，某市社会商品零售总额与职工工资总额（单位：亿元）数据如下表3.1。 表3.1 商品零售总额与职工工资表 （单位：亿元）; % 然后作散点图 plot(x,y,*) %作散点图 xlabel(x(职工工资总额)) %横坐标名 ylabel(y(商品零售总额)) %纵坐标名;% 计算最佳参数 Lxx=sum((x-mean(x)).^2); Lxy=sum((x-mean(x)).* (y-mean(y))); b1=Lxy/Lxx; b0=mean(y)-b1*mean(x);;2. 一元多项式回归模型;p=polyfit(x,y,n) [p,S]=polyfit(x,y,n) [p,S,mu]=polyfit(x,y,n);表3.2 合金的膨胀系数表;由于散点图呈抛物线，故选择二次函数曲线进行拟合.;多项式曲线拟合预测的命令polyval，其调用格式有以下两种：; (3) 多项式回归的GUI界面命令;例3.1.3为了分析X射线的杀菌作用，用200千伏的X射线来照射细菌，每次照射6分钟用平板计数法估计尚存活的细菌数，照射次数记为t，照射后的细菌数y如表3.3所示。;;yc1 =39.0396,表明照射16次后，用二次函数计算出细菌残留数为39.0396，显然与实际不相符合。 调用多项式回归的GUI界面命令polytool,如图3.4;; 3.1.2一元非线性回归模型;(2) 幂函数曲线y=axb, 其中x0,a0(图3.6)。;（4）倒指数曲线 ,其中a0(图3.8)。;（6）S型曲线 (见图3.10)。;2.非线性回归的MATLAB命令;非线性回归预测命令nlpredci，调用格式： ypred = nlpredci(FUN,inputs,beta,r,J) 其中，输入参数beta,r,J是非线性回归命令nlinfit的输出结果, FUN 是拟合函数，inputs是需要预测的自变量；输出量ypred是inputs的预测值。;非线性回归的GUI界面命令nlintool，典型调用格式 nlintool(x,y,fun,beta0) 其中参数x,y,fun,beta0与命令nlinfit中的参数含义相同. ;使用次数(x);;上述方程组有两种解法：手工方法与Matlab方法。下面用Matlab方法解方程组： [a,b]=solve(6.42*(2*a+b)=2,10.76*(16*a+b)=16) 输出为 a = .8396515004e-1 b = .1436981049;图3.11钢包使用次数与增大容积的非线性拟合图;求回归模型参数的95%的置信区间，只要继续添加程序 ci = nlparci(beta,r,J) 运行后得到 ci =0.0814 0.0876 0.0934 0.1370;图3.12给出钢包使用次数与增大容积的非线性拟合的交互图形，图中的的圆圈是实验的原始数据点，两条虚线为95%上、下置信区间的曲线（屏幕上显示为红色），中间的实线（屏幕上显示为绿色）是回归模型曲线，纵向的蓝色虚线显示了在自变量为8.9502，横向的虚线给出了对应的预测值为10.2734.;;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;;;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。;3.1.3一元回归建模实例;;由图形3.15可见白鹅的70