利用 Matlab作回归分析.docx

利用 Matlab作回归分析一元线性回归模型：

y x , N(0,2)

求得经验回归方程：

y x

统计量：

总偏差平方和：

n

SST (y

i

y)2

，其自由度为f

T

n 1；

回归平方和：

残差平方和：

SSR

i1

n

(y y)2

i

i1

n

，其自由度为f 1；

R

，其自由度为 ；

SSE

(y y)2

i i

i1

f n 2

E

它们之间有关系：SST=SSR+SSE。

一元回归分析的相关数学理论可以参见《概率论与数理统计教程》，下面仅以示例说明如何利用Matlab作回归分析。

【例1】为了了解百货商店销售额x与流通费率（反映商业活动的一个质量指标，指每元商品流转额所分摊的流通费用）y之间的关系，收集了九个商店的有关数据，见下表1.试建立流通费率y与销售额x的回归方程。

表1销售额与流通费率数据

样本点销售额

样本点销售额x(万元)流通费率y

1

1.5

7.0

2

4.5

4.8

3

7.5

3.6

4

10.5

3.1

5

13.5

2.7

6

16.5

2.5

7

19.5

2.4

8

22.5

2.3

9

25.5

2.2

【分析】：首先绘制散点图以直观地选择拟合曲线，这项工作可结合相关专业领域的知识和经验进行，有时可能需要多种尝试。选定目标函数后进行线性化变换，针对变换后的线性目标函数进行回归建模与评价，然后还原为非线性回归方程。

【Matlab数据处理】：

【Step1】：绘制散点图以直观地选择拟合曲线

x=[1.5 4.5 7.5 10.5 13.5 16.5 19.5 22.5 25.5];

y=[7.0 4.8 3.6 3.1 2.7 2.5 2.4 2.3 2.2];

plot(x,y,-o)输出图形见图1。

10

5

0

5 10 15 20 25

图1销售额与流通费率数据散点图

根据图1，初步判断应以幂函数曲线为拟合目标，即选择非线性回归模型，目标函数为：

y axb(b 0)

其线性化变换公式为：

v lny,u lnx

线性函数为：

v lna bu

【Step2】：线性化变换即线性回归建模（若选择为非线性模型）与模型评价

%线性化变换u=log(x);

v=log(y);

%构造资本论观测值矩阵mu=[ones(length(u),1) u];alpha=0.05;

%线性回归计算[b,bint,r,rint,states]=regress(v,mu,alpha)

输出结果：

b =[ 2.1421; -0.4259]

表示线性回归模型 v lna bu 中：lna=2.1421，b=-0.4259；即拟合的线性回归模型为

y 2.14210.4259x；

bint =[ 2.0614 2.2228; -0.4583 -0.3934]

表示拟合系数lna和b的100(1-alpha)%的置信区间分别为：[2.0614 2.2228]和[-0.4583 -0.3934]；

r=[-0.0235 0.0671 -0.0030 -0.0093 -0.0404

-0.0319 -0.0016 0.0168 0.0257]

表示模型拟合残差向量；

rint =[ -0.0700 0.0230

0.0202

0.1140

-0.0873

0.0813

-0.0939

0.0754

-0.1154

0.0347

-0.1095

0.0457

-0.0837

0.0805

-0.0621

0.0958

-0.0493

0.1007]

表示模型拟合残差的100(1-alpha)%的置信区间；states =[0.9928 963.5572 0.0000 0.0012]

表示包含R2 SSR 0.9928、

SST

方差分析的F统计量F

SSR/f

R

SSE/f

E

SSRSSE/(n 2)

963.5572、

方差分析的显著性概率p P(F(1,n 2) F) 0；

模型方差的估计值2

SSE 0.0012。

n 2

【注】：严格来讲，模型评价工作应在逆线性化变换后进行；但是，若所建立的线性回归方程不理想，则相应的非线性回归方程必定不理想。

【Step3】：拟线性化变换求非线性回归方程（若选择为非线性模型）

%逆线性化变换A=exp(b(1))B=b(2)

运行结果为：A = 8.5173；B = -0.4259。

即非线性回归方程为：

y 8.5173x0.4259。

多元回归模型多元线性回归模型（p1）：

y

x

x

x

,

N(0,

2)

0

11

22

p p

求得经验回归方程：

统计量：

y