Matlab-多元线性回归.docVIP

1、多元线性回归

Matlab多元线性回归

在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。事实上，一种现象

常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一

个自变量进行预测或估计更有效，更符合实际。

在实际经济问题中，一个变量往往受到多个变量的影响。例如，家庭消费支出，除了受

家庭可支配收入的影响外，还受诸如家庭所有的财富、物价水平、金融机构存款利息等多种

因素的影响，表现在线性回归模型中的解释变量有多个。这样的模型被称为多元线性回归模

型。〔multivariablelinearregressionmodel 〕

多元线性回归模型的一般形式为：

Yi=0+1X1i+2X2i+…+kXki+i，i=1，2，…n

〔1〕

其中k为解释变量的数目，βjj(j=1，2，…k)称为回归系数〔regressioncoefficient)。上

式也被称为总体回归函数的随机表达式。它的非随机表达式为：

Yi=0+1X1i+2X2i+…+kXki,i=1,2,…nk

jj也被称为偏回归系数〔partialregressioncoefficient)。

，

2、多元线性回归计算模型

Y=0+1X1+2X2+…+kXk+，~N(0,2)(3)

〔2〕

多元性回归模型的参数估计，同一元线性回归方程一样，也是在要求误差平方和〔Σe)

为最小的前提下，用最小二乘法或最大似然估计法求解参数。

设(x11,x12,…,x1p,y1)，…，(xn1,xn2,…,xnp,yn) 是一个样本，用最大似然估计法估计

参数：

取,…,,当b0=,b1=,…,bp=时,Q=到达最小。

〔4〕化简可得：

引入矩阵：

y

方程组〔5〕可以化简得：

XXX

可得最大似然估计值：

B

X’Y

〔8〕

的估计是：

公式〔8〕为P元经验线性回归方程。

。

3、Matlab多元线性回归的实现

多元线性回归在Matlab中主要实现方法如下：

〔1〕b=regress(Y,X) 确定回归系数的点估计值

其中

X=，Y=

〔2〕[b,bint,r,rint,stats]=regress(Y,X,alpha) 求回归系数的点估计和区间估计、并检

验回归模型

①bint表示回归系数的区间估计.

②r表示残差

③rint表示置信区间

④stats表示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

说明：相关系数r2越接近1，说明回归方程越显著；FF1-alpha(p,n-p-1) 时拒绝H0，F

越大，说明回归方程越显著；与F对应的概率pα时拒绝H0，回归模型成立。

⑤alpha表示显著性水平(缺省时为0.05)

〔3〕rcoplot(r,rint) 画出残差及其置信区间

实例1：〔一元线性回归〕

测得16名女子的身高和腿长如下表所示〔单位:cm〕：

身高

腿长

身高

腿长

143

88

155

96

145

85

156

98

146

88

157

97

147

91

158

96

149

92

159

98

150

93

160

99

153

93

162

100

154

95

164

102

试研究这些数据之间的关系。

分析：

x=[143,145,146,147,149,150,153,154,155,156,157,158,159,160,162,164]

由式〔9〕可得X=[eT,xT]〔eT为单位列向量〕

y=[88,85,88,91,92,93,93,95,96,98,97,96,98,99,100,102]

Y=yT

Matlab程序为：

/输入如下命令：/

x=[143,145,146,147,149,150,153,154,155,156,157,158,159,160,162,164];

y=[88,85,88,91,92,93,93,95,96,98,97,96,98,99,100,102];

X=[ones(length(y),1),x];

Y=y;

[b,bint,r,rint,stats]=regress(Y,X);

b,bint,stats

在Matlab图示所示：

/输出结果如下图：/

? =?16.0730,

因此我们可得b0

b? =