用MATLAB求解回归分析.pptVIP

多元线性回归b=regress(Y,X)1、确定回归系数的点估计值：统计工具箱中的回归分析命令对一元线性回归，取p=1即可。3、画出残差及其置信区间：rcoplot（r，rint）2、求回归系数的点估计和区间估计、并检验回归模型：[b,bint,r,rint,stats]=regress(Y,X,alpha)回归系数的区间估计残差用于检验回归模型的统计量，有三个数值：相关系数r2、F值、与F对应的概率p置信区间显著性水平（缺省时为0.05）例1解：x=[143145146147149150153154155156157158159160162164];X=[ones(16,1)x];Y=[8885889192939395969897969899100102];1、输入数据：01[b,bint,r,rint,stats]=regress(Y,X)b,bint,stats2、回归分析及检验：02rcoplot(r,rint)从残差图可以看出，除第二个数据外，其余数据的残差离零点均较近，且残差的置信区间均包含零点，这说明回归模型y=-16.073+0.7194x能较好的符合原始数据，而第二个数据可视为异常点.3、残差分析，作残差图：4、预测及作图：z=b(1)+b(2)*xplot(x,Y,k+,x,z,r)多项式回归（一）一元多项式回归（1）确定多项式系数的命令：[p，S]=polyfit（x，y，m）（2）一元多项式回归命令：polytool（x，y，m）1、回归：y=a1xm+a2xm-1+…+amx+am+12、预测和预测误差估计：（1）Y=polyval（p，x）求polyfit所得的回归多项式在x处的预测值Y；（2）[Y，DELTA]=polyconf（p，x，S，alpha）求polyfit所得的回归多项式在x处的预测值Y及预测值的显著性为

1-alpha的置信区间YDELTA；alpha缺省时为0.5方法一直接作二次多项式回归：t=1/30:1/30:14/30;s=[11.8615.6720.6026.6933.7141.9351.1361.4972.9085.4499.08113.77129.54146.48];[p,S]=polyfit(t,s,2)得回归模型为：法二化为多元线性回归：t=1/30:1/30:14/30;s=[11.8615.6720.6026.6933.7141.9351.1361.4972.9085.4499.08113.77129.54146.48];T=[ones(14,1)t(t.^2)];[b,bint,r,rint,stats]=regress(s,T);b,stats得回归模型为：Y=polyconf(p,t,S)plot(t,s,k+,t,Y,r)预测及作图（二）多元二项式回归命令：rstool（x，y，’model’,alpha）n?m矩阵显著性水平（缺省时为0.05）n维列向量例3设某商品的需求量与消费者的平均收入、商品价格的统计数据如下，建立回归模型，预测平均收入为1000、价格为6时的商品需求量.方法一直接用多元二项式回归：x1=[10006001200500300400130011001300300];x2=[5766875439];y=[10075807050659010011060];x=[x1x2];rstool(x,y,purequadratic)在画面左下方的下拉式菜单中选”all”,则beta、rmse和residuals都传送到Matlab工作区中.在左边图形下方的方框中输入1000，右边图形下方的方框中输入6。则画面左边的“PredictedY”下方的数据变为88.47981，即预测出平均收入为1000、价格为6时的商品需求量为88.4791.在Matlab工作区中输入命令：beta,rmse结果为:b=110.53130.1464-26.5709