多元回归及复相关分析.pptVIP

例4对第一节例2，求解如下：**2、输入数据：x=2:16;y=[6.428.209.589.59.7109.939.9910.4910.5910.6010.8010.6010.9010.76];beta0=[82];3、求回归系数：[beta,r,J]=nlinfit(x,y,volum,beta0)；beta得结果：beta=11.6036-1.0641即得回归模型为：ToMATLAB(liti41)*********第十一章多元回归及复相关分析回归分析**数学模型及定义逐步回归分析数学模型及定义01模型参数估计02检验、预测与控制03可线性化的一元非线性回归（曲线回归）04模型参数估计05多元线性回归中的检验与预测0611.1、多元线性回归方程一、多元线性回归模型**二、模型参数估计**解得估计值三、多元线性回归中的检验与预测**(残差平方和）（Ⅰ）F检验法三、多元线性回归中的检验与预测**（Ⅱ）r检验法2、预测**1点预测2区间预测选择“最优”的回归方程有以下几种方法：四、逐步回归分析**（4）“有进有出”的逐步回归分析。（1）从所有可能的因子（变量）组合的回归方程中选择最优者；（2）从包含全部变量的回归方程中逐次剔除不显著因子；（3）从一个变量开始，把变量逐个引入方程；“最优”的回归方程就是包含所有对Y有影响的变量,而不包含对Y影响不显著的变量回归方程。以第四种方法，即逐步回归分析法在筛选变量方面较为理想.逐步回归分析法的思想：**这个过程反复进行，直至既无不显著的变量从回归方程中剔除，又无显著变量可引入回归方程时为止。01当引入的自变量由于后面变量的引入而变得不显著时，要将其剔除掉。03对于每一步都要进行Y值检验，以确保每次引入新的显著性变量前回归方程中只包含对Y作用显著的变量。05从一个自变量开始，视因变量Y作用的显著程度，从大到小地依次逐个引入回归方程。02引入一个自变量或从回归方程中剔除一个自变量，为逐步回归的一步。04非线性回归多元线性回归01多项式回归0203逐步回归04多元线性回归**1、确定回归系数的点估计值：b=regress(Y,X)**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：ToMATLAB(liti11)x=[143145146147149150153154155156157158159160162164];X=[ones(16,1)x];Y=[8885889192939395969897969899100102];1、输入数据：[b,bint,r,rint,stats]=regress(Y,X)b,bint,stats2、回归分析及检验：3、残差分析，作残差图：rcoplot(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.4、预测及作图：z=b(1)+b(2)*xplot(x,Y,k+,x,z,r)返回ToMATLAB(liti12)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