回归分析class课件.ppt

（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. 法一 直接用多元二项式回归： x1=[1000 600 1200 500 300 400 1300 1100 1300 300]; x2=[5 7 6 6 8 7 5 4 3 9]; y=[100 75 80 70 50 65 90 100 110 60]; x=[x1 x2]; 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“Predicted Y”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 To MATLAB(liti31) 结果为: b = 110.5313 0.1464 -26.5709 -0.0001 1.8475 stats = 0.9702 40.6656 0.0005 法二 To MATLAB(liti32) 返回 将 化为多元线性回归： * * 一元线性回归 多元线性回归 回归分析 数学模型及定义 *模型参数估计 *检验、预测与控制 可线性化的一元非线 性回归（曲线回归） 数学模型及定义 *模型参数估计 *多元线性回归中的 检验与预测 逐步回归分析 一、数学模型 例1 测16名成年女子的身高与腿长所得数据如下： 以身高x为横坐标，以腿长y为纵坐标将这些数据点（xI，yi）在平面直角坐标系上标出. 散点图 解答 一元线性回归分析的主要任务是： 返回 二、模型参数估计 1、回归系数的最小二乘估计 其中 ? ? = = = = n i i n i i y n y x n x 1 1 1 , 1 ， ? ? = = = = n i i i n i i y x n xy x n x 1 1 2 2 1 , 1 . 返回 三、检验、预测与控制 1、回归方程的显著性检验 （Ⅰ）F检验法 （Ⅱ）t检验法 （Ⅲ）r检验法 2、回归系数的置信区间 3、预测与控制 （1）预测 （2）控制 返回 四、可线性化的一元非线性回归 （曲线回归） 例2 出钢时所用的盛钢水的钢包，由于钢水对耐火材料的侵蚀， 容积不断增大.我们希望知道使用次数与增大的容积之间的关 系.对一钢包作试验，测得的数据列于下表： 解答 散 点 图 此即非线性回归或曲线回归 问题（需要配曲线） 配曲线的一般方法是： 通常选择的六类曲线如下： 返回 一、数学模型及定义 返回 二、模型参数估计 返回 三、多元线性回归中的检验与预测 （Ⅰ）F检验法 （Ⅱ）r检验法 (残差平方和） 2、预测 （1）点预测 （2）区间预测 返回 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； 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。 逐步回归分析法的思想： 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。 返回 统计工具箱中的回归分析命令 1、多元线性回归 2、多项式回归 3、非线性回归 4、逐步回归 返回 多元线性回归 b=regress( Y, X ) 1、确定回归系数的点估计值