数学建模公选课第六讲.ppt

2.主程序liti6.m如下:X=[598.00349.00461.0057482.0020729.0044.00…………..2927.006862.001273.00100072.043280.00496.00];y=[184.00216.00248.00254.00268.00286.00357.00444.00506.00...271.00230.00266.00323.00393.00466.00352.00303.00447.00...564.00638.00658.00691.00655.00692.00657.00723.00922.00...890.00826.00810.0];beta0=[0.50-0.03-0.600.01-0.020.35];betafit=nlinfit(X,y,model,beta0)ToMATLAB(liti6）第37页,共44页，星期六，2024年，5月betafit=0.5243-0.0294-0.63040.0112-0.02300.3658即y=0.5243x1-0.0294x2-0.6304x3+0.0112x4-0.0230x5+0.3658x6结果为:第38页,共44页，星期六，2024年，5月逐步回归逐步回归的命令是：stepwise（x，y，inmodel，alpha）运行stepwise命令时产生三个图形窗口：StepwisePlot，StepwiseTable，StepwiseHistory.在StepwisePlot窗口，显示出各项的回归系数及其置信区间.StepwiseTable窗口中列出了一个统计表，包括回归系数及其置信区间，以及模型的统计量剩余标准差（RMSE）、相关系数（R-square）、F值、与F对应的概率P.矩阵的列数的指标，给出初始模型中包括的子集（缺省时设定为全部自变量）显著性水平（缺省时为0.5）自变量数据,阶矩阵因变量数据，阶矩阵第39页,共44页，星期六，2024年，5月例6水泥凝固时放出的热量y与水泥中4种化学成分x1、x2、x3、x4有关，今测得一组数据如下，试用逐步回归法确定一个线性模型.1、数据输入：x1=[7111117113122111110];x2=[26295631525571315447406668];x3=[615886917221842398];x4=[6052204733226442226341212];y=[78.574.3104.387.695.9109.2102.772.593.1115.983.8113.3109.4];x=[x1x2x3x4];第40页,共44页，星期六，2024年，5月2、逐步回归：（1）先在初始模型中取全部自变量：stepwise(x,y)得图StepwisePlot和表StepwiseTable图StepwisePlot中四条直线都是虚线，说明模型的显著性不好从表StepwiseTable中看出变量x3和x4的显著性最差.第41页,共44页，星期六，2024年，5月（2）在图StepwisePlot中点击直线3和直线4，移去变量x3和x4移去变量x3和x4后模型具有显著性.虽然剩余标准差（RMSE）没有太大的变化，但是统计量F的值明显增大，因此新的回归模型更好.ToMATLAB(liti51）第42页,共44页，星期六，2024年，5月（3）对变量y和x1、x2作线性回归：X=[ones(13,1)x1x2];b=regress(y,X)得结果：b=52.57731.46830.6623故最终模型为：y=52.5773+1.4683x1+0.6623x2ToMATLAB(liti52）