回归分析_Matlab.ppt

拟合曲线图 yp1=objfun1(a1,x); yp2=objfun2(a2)+y; yp3=objfun1(a3,x); plot(x,y,*,x,yp1,r,x,yp2,c:,x,yp3,b:) xlabel(X); ylabel(Y); legend(observe data,lsqcurvefit,lsqnonlin,nlinfit,Location,NorthWest) 4. 非线性拟合交互式工具nlintool nlintool ( X, y, fun, beta0, alpha, xname, yname ) 定义的非线性函数 参数初值 显著性水平 自变量标 签，字符 串矩阵 因变量标签 对于例5-5可以利用交互式工具nlintool进行拟合 nlintool(x,y, objfun1,a0,0.05,X,Y); 交互式工具预测图 (四)、逐步回归函数stepwise 1. 逐步回归简介 （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； 选择“最优”的回归方程有以下几种方法： “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. 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。 从一个自变量开始，视自变量Y作用的显著程度，从大到地依次逐个引入回归方程。 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。 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。 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。 逐步回归分析法的思想 2. 利用stepwise函数作逐步回归 stepwise( X, y, inmodel, penter, premove) 调用格式 初始模型 中所包含 变量的索 引, p个元 素的向量 剔除变量 的最小p， 默认为0.1 引入变量 的最大p， 默认为0.05 函数运行后出现一交互式界面，通过该界面进行引入和剔除变量的操作，还可以导出相关结果。 例5-6 研究光合速率y与比叶重x1、气孔密度x2、叶绿素含量x3之间的关系，试验得到红薯性状观测值的数据如下表,试建立y关于x1，x2，x3的回归模型。 8.2510 4.1673 9.0 2.0519 11.2210 3.4278 12.5 2.0188 9.8420 4.3965 10.2 1.9414 5.9618 3.5190 9.0 1.8941 9.3993 4.3073 8.8 1.9730 12.4770 3.1352 11.2 2.1072 6.3744 3.0019 10.7 1.7836 11.3444 3.3733 10.7 2.0010 10.6400 4.0186 11.1 1.9626 8.8416 3.8518 10.1 1.9362 11.0765 4.9872 10.8 1.9904 6.9862 3.7750 8.1 2.0254 6.6433 3.4175 14.2 1.8651 7.9488 4.1373 8.5 2.1072 9.8014 4.2719 8.3 1.9843 11.7161 4.0575 11.4 1.9993 y x3 x2 x1 y x3 x2 x1 表5-6 例5-6数据 x123y=[1.9993 11.4 4.0575 11.7161 2.0254 8.1 3.7750 6.9862 2.0010 10.7 3.3733 11.3444 2.1072 11.2 3.1352 12.4770 1.8941 9.0 3.5190 5.9618 2.0188 12.5 3.4278 11.2210 1.9362 10.1 3.8518 8.8416 2.1072 8.5 4.1373 7.9488 1.9843 8.3 4.2719 9.8014 1.9904 10.8 4.9872 11.0765 1.7836 10.7 3.0019 6.3744 1.9730 8.8 4.3073 9.3993 1.9414 10.2 4.3965 9.8420 2.0519 9.0 4.1673 8.2510 1.9626 11.1 4.0186 10.6400