多项式回归非线性回归模型.docxVIP

多项式回归、非线性回归模型关键词：回归方程的统计检验、拟合优度检验、回归方程的显著性检验、F检验、回归系数的显著性检验、残差分析、一元多项式回归模型、一元非线性回归模型回归方程的统计检验1. 拟合优度检验概念介绍SST总离差平方和totalSSR回归平方和regressionSSE剩余平方和error例题1存在四点(-2,-3)、(-1,-1)、(1,2)、(4,3)求拟合直线与决定系数。2. 回归方程的显著性检验例6（F检验）在合金钢强度的例1中，我们已求出了回归方程，这里考虑关于回归方程的显著性检验，经计算有：表5 X射线照射次数与残留细菌数的方差分析表来源平方和自由度均方比值回归184.940.0000残差总计这里值很小，因此，在显著性水平0.01下回归方程是显著的。3. 回归系数的显著性检验4. 残差分析一元多项式回归模型模型如以下形式的称为一元多项式回归模型：例1（多项式回归模型）为了分析X射线的杀菌作用，用200千伏的X射线来照射细菌，每次照射6分钟，用平板计数法估计尚存活的细菌数。照射次数记为，照射后的细菌数为见表1。试求：（1）给出与的二次回归模型。（2）在同一坐标系内作出原始数据与拟合结果的散点图。（3）预测时残留的细菌数。（4）根据问题的实际意义，你认为选择多项式函数是否合适？表1 X射线照射次数与残留细菌数1234567891011121314153522111971601421061046056383632211915程序1t=1:15;y=[3522111971601421061046056383632211915];p=polyfit(t,y,2)%作二次多项式回归y1=polyval(p,t);%模型估计与作图plot(t,y,-*,t,y1,-o);%在同一坐标系中做出两个图形legend(原始数据,二次函数)xlabel(t(照射次数))%横坐标名ylabel(y(残留细菌数))%纵坐标名t0=16;yc1=polyconf(p,t0)%预测t0=16时残留的细菌数，方法1yc2=polyval(p,t0)%预测t0=16时残留的细菌数，方法2即二次回归模型为：图1 原始数据与拟合效果的散点图原始数据与拟合结果的散点图如图所示，从图形可知拟合效果较好。照射16次后，用二次函数计算出细菌残留数为39.0396，显然与实际不符。由实际问题的意义可知，尽管二次多项式拟合效果较好，但是用于预测并不理想。因此如何根据原始数据散点图的规律，选择适当的回归曲线是非常重要的，这样就有必要给出非线性回归模型。一元非线性回归模型为了便于正确选择合适的函数进行回归分析建模，我们给出通常选择的6类曲线：（1）双曲线（如图所示）（2）幂函数曲线，其中，（如图所示）（3）指数曲线，其中参数（如图所示）（4）倒指数曲线，其中（如图所示）（5）对数曲线（如图所示）（6）型曲线，其中（如图所示）非线性回归建模通常有两种方法：一是通过适当的变换转化为线性回归模型，例如双曲线模型（如图1所示），如果作变换，则有，此时就是线性回归模型。如果无法实现线性化，可以利用最小二乘法直接建立非线性回归模型，求解最佳参数。例2（非线性回归模型、置信区间）炼钢厂出钢时所用盛钢水的钢包，由于钢水对耐火材料的侵蚀，容积不断增大，我们希望找出使用次数与增大容积之间的函数关系。实验数据见表2。（1）建立非线性回归模型；（2）预测钢包使用次后增大的容积；（3）计算回归模型参数的置信度为95%的置信区间。表2 钢包使用次数与增大容积使用次数（x）2345678910111213141516增大容积（y）6.428.29.589.59.7109.939.9910.4910.5910.610.810.610.910.76解：（1）建立非线性回归模型：程序2x=[2:16];y= [6.42 8.2 9.58 9.5 9.7 10 9.93 9.99 10.49 10.59 10.6 10.8 10.6 10.9 10.76];%建立非线性双曲线回归模型b0=[0.084,0.1436];%回归系数初值fun=inline(x./(b(1)*x+b(2)),b,x);%建立函数[beta,r,J]=nlinfit(x,y,fun,b0);%非线性拟合命令；其中，beta表示最佳回归系数的估计值，r是残差，J是雅可比矩阵beta%输出最佳参数y1=x./(0.0845*x+0.1152);%拟合曲线plot(x,y,*,x,y1,-or)legend(原始数据,拟合曲线)%legend为图例命令初始值要先计算后才能得到上面程序中的b0，选择已知程序中的点（2，6.42）和点（16，10.76），可选择手工方法解方程，也可利用以下MATLAB程序求解。程序3 [a,b