第十二講回歸分析演示文稿2023/5/291當前第1頁\共有44頁\編于星期三\11點2023/5/292（優(yōu)選）第十二講回歸分析當前第2頁\共有44頁\編于星期三\11點一元線性回歸多元線性回歸回歸分析數(shù)學模型及定義*模型參數(shù)估計*檢驗、預測與控制可線性化的一元非線性回歸（曲線回歸）數(shù)學模型及定義*模型參數(shù)估計*多元線性回歸中的檢驗與預測逐步回歸分析當前第3頁\共有44頁\編于星期三\11點一、數(shù)學模型例1

測16名成年女子的身高與腿長所得數(shù)據(jù)如下：以身高x為橫坐標，以腿長y為縱坐標將這些數(shù)據(jù)點（xI，yi）在平面直角坐標系上標出.散點圖當前第4頁\共有44頁\編于星期三\11點一元線性回歸分析的主要任務是：當前第5頁\共有44頁\編于星期三\11點二、模型參數(shù)估計1、回歸系數(shù)的最小二乘估計當前第6頁\共有44頁\編于星期三\11點其中

當前第7頁\共有44頁\編于星期三\11點一個好的擬合方程，其殘差應越小越好。殘差越小，擬合值與觀測值越接近，各觀測點在擬合直線周圍聚集的緊密程度越高，也就是說，擬合方程解釋y的能力越強。另外，當剩余標準差越小時，還說明殘差值的變異程度越小。由于殘差的樣本均值為零。所以，其離散范圍越小，擬合的模型就越為精確。當前第8頁\共有44頁\編于星期三\11點三、檢驗、預測與控制1、顯著性檢驗一般地，回歸方程的假設檢驗包括兩個方面：一個是對模型的檢驗，即檢驗自變量與因變量之間的關系能否用一個線性模型來表示，這是由F檢驗來完成的；另一個檢驗是關于回歸參數(shù)的檢驗，即當模型檢驗通過后，還要具體檢驗每一個自變量對因變量的影響程度是否顯著。這是由t檢驗完成。在一元線性分析中，由于自變量的個數(shù)只有一個，這兩種檢驗是統(tǒng)一的，它們的效果完全是等價的。但是，在多元線性回歸分析中，這兩個檢驗的意義是不同的。從邏輯上說，一般常在F檢驗通過后，再進一步進行t檢驗。當前第9頁\共有44頁\編于星期三\11點（Ⅰ）F檢驗法

（Ⅱ）t檢驗法當前第10頁\共有44頁\編于星期三\11點（Ⅲ）r檢驗法當前第11頁\共有44頁\編于星期三\11點2、回歸系數(shù)的置信區(qū)間當前第12頁\共有44頁\編于星期三\11點3、預測與控制（1）預測當前第13頁\共有44頁\編于星期三\11點（2）控制當前第14頁\共有44頁\編于星期三\11點四、可線性化的一元非線性回歸（曲線回歸）例2出鋼時所用的盛鋼水的鋼包，由于鋼水對耐火材料的侵蝕，容積不斷增大.我們希望知道使用次數(shù)與增大的容積之間的關系.對一鋼包作試驗，測得的數(shù)據(jù)列于下表：當前第15頁\共有44頁\編于星期三\11點散點圖此即非線性回歸或曲線回歸

問題（需要配曲線）配曲線的一般方法是：當前第16頁\共有44頁\編于星期三\11點通常選擇的六類曲線如下：當前第17頁\共有44頁\編于星期三\11點一、數(shù)學模型及定義多元線性回歸當前第18頁\共有44頁\編于星期三\11點二、模型參數(shù)估計解得估計值當前第19頁\共有44頁\編于星期三\11點當前第20頁\共有44頁\編于星期三\11點三、多元線性回歸中的檢驗與預測

（Ⅰ）線性模型檢驗——F檢驗法（Ⅱ）回歸系數(shù)檢驗——t檢驗法(殘差平方和）當前第21頁\共有44頁\編于星期三\11點2、預測（1）點預測（2）區(qū)間預測當前第22頁\共有44頁\編于星期三\11點四、逐步回歸分析（4）“有進有出”的逐步回歸分析。（1）從所有可能的因子（變量）組合的回歸方程中選擇最優(yōu)者；（2）從包含全部變量的回歸方程中逐次剔除不顯著因子；（3）從一個變量開始，把變量逐個引入方程；選擇“最優(yōu)”的回歸方程有以下幾種方法：

“最優(yōu)”的回歸方程就是包含所有對Y有影響的變量,而不包含對Y影響不顯著的變量回歸方程。以第四種方法，即逐步回歸分析法在篩選變量方面較為理想.當前第23頁\共有44頁\編于星期三\11點這個過程反復進行，直至既無不顯著的變量從回歸方程中剔除，又無顯著變量可引入回歸方程時為止。逐步回歸分析法的思想：從一個自變量開始，視自變量Y作用的顯著程度，從大到地依次逐個引入回歸方程。當引入的自變量由于后面變量的引入而變得不顯著時，要將其剔除掉。引入一個自變量或從回歸方程中剔除一個自變量，為逐步回歸的一步。對于每一步都要進行Y值檢驗，以確保每次引入新的顯著性變量前回歸方程中只包含對Y作用顯著的變量。當前第24頁\共有44頁\編于星期三\11點統(tǒng)計工具箱中的回歸分析命令1、多元線性回歸2、多項式回歸3、非線性回歸4、逐步回歸當前第25頁\共有44頁\編于星期三\11點多元線性回歸

b=regress(Y,X)1、確定回歸系數(shù)的點估計值：當前第26頁\共有44頁\編于星期三\11點3、畫出殘差及其置信區(qū)間：

rcoplot（r，rint）2、求回歸系數(shù)的點估計和區(qū)間估計、并檢驗回歸模型：

[b,bint,r,rint,stats]=regress(Y,X,alpha)回歸系數(shù)的區(qū)間估計殘差用于檢驗回歸模型的統(tǒng)計量，有三個數(shù)值：相關系數(shù)r2、F值、與F對應的概率p置信區(qū)間顯著性水平（缺省時為0.05）當前第27頁\共有44頁\編于星期三\11點例1解：1、輸入數(shù)據(jù)：

x=[143145146147149150153154155156157158159160162164]';X=[ones(16,1)x];Y=[8885889192939395969897969899100102]';2、回歸分析及檢驗：

[b,bint,r,rint,stats]=regress(Y,X)b,bint,stats當前第28頁\共有44頁\編于星期三\11點3、殘差分析，作殘差圖：

rcoplot(r,rint)從殘差圖可以看出，除第二個數(shù)據(jù)外，其余數(shù)據(jù)的殘差離零點均較近，且殘差的置信區(qū)間均包含零點，這說明回歸模型y=-16.073+0.7194x能較好的符合原始數(shù)據(jù)，而第二個數(shù)據(jù)可視為異常點.4、預測及作圖：z=b(1)+b(2)*xplot(x,Y,'k+',x,z,'r')當前第29頁\共有44頁\編于星期三\11點多項式回歸（一）一元多項式回歸

（1）確定多項式系數(shù)的命令：[p，S]=polyfit（x，y，m）（2）一元多項式回歸命令：polytool（x，y，m）1、回歸：y=a1xm+a2xm-1+…+amx+am+12、預測和預測誤差估計：（1）Y=polyval（p，x）求polyfit所得的回歸多項式在x處的預測值Y；（2）[Y，DELTA]=polyconf（p，x，S，alpha）求polyfit所得的回歸多項式在x處的預測值Y及預測值的顯著性為1-alpha的置信區(qū)間YDELTA；alpha缺省時為0.5.當前第30頁\共有44頁\編于星期三\11點法一直接作二次多項式回歸：

t=1/30:1/30:14/30;s=[11.8615.6720.6026.6933.7141.9351.1361.4972.9085.4499.08113.77129.54146.48];

[p,S]=polyfit(t,s,2)得回歸模型為：當前第31頁\共有44頁\編于星期三\11點法二化為多元線性回歸：t=1/30:1/30:14/30;s=[11.8615.6720.6026.6933.7141.9351.1361.4972.9085.4499.08113.77129.54146.48];T=[ones(14,1)t'(t.^2)'];[b,bint,r,rint,stats]=regress(s',T);b,stats得回歸模型為：Y=polyconf(p,t,S)plot(t,s,'k+',t,Y,'r')預測及作圖當前第32頁\共有44頁\編于星期三\11點（二）多元二項式回歸命令：rstool（x，y，’model’,alpha）nm矩陣顯著性水平（缺省時為0.05）n維列向量當前第33頁\共有44頁\編于星期三\11點例3

設某商品的需求量與消費者的平均收入、商品價格的統(tǒng)計數(shù)據(jù)如下，建立回歸模型，預測平均收入為1000、價格為6時的商品需求量.法一直接用多元二項式回歸：x1=[10006001200500300400130011001300300];x2=[5766875439];y=[10075807050659010011060]';x=[x1'x2'];rstool(x,y,'purequadratic')當前第34頁\共有44頁\編于星期三\11點在畫面左下方的下拉式菜單中選”all”,則beta、rmse和residuals都傳送到Matlab工作區(qū)中.在左邊圖形下方的方框中輸入1000，右邊圖形下方的方框中輸入6。則畫面左邊的“PredictedY”下方的數(shù)據(jù)變?yōu)?8.47981，即預測出平均收入為1000、價格為6時的商品需求量為88.4791.當前第35頁\共有44頁\編于星期三\11點在Matlab工作區(qū)中輸入命令：beta,rmse當前第36頁\共有44頁\編于星期三\11點結果為:b=110.53130.1464-26.5709-0.00011.8475stats=0.970240.66560.0005法二將化為多元線性回歸：當前第37頁\共有44頁\編于星期三\11點非線性回歸（1）確定回歸系數(shù)的命令：

[beta，r，J]=nlinfit（x，y，’model’,beta0）（2）非線性回歸命令：nlintool（x，y，’model’,beta0，alpha）1、回歸：殘差Jacobian矩陣回歸系數(shù)的初值是事先用m-文件定義的非線性函數(shù)估計出的回歸系數(shù)輸入數(shù)據(jù)x、y分別為矩陣和n維列向量，對一元非線性回歸，x為n維列向量。2、預測和預測誤差估計：[Y，DELTA]=nlpredci（’model’,x，beta，r，J）求nlinfit或nlintool所得的回歸函數(shù)在x處的預測值Y及預測值的顯著性為1-alpha的置信區(qū)間YDELTA.當前第38頁\共有44頁\編于星期三\11點例4

對第一節(jié)例2，求解如下：2、輸入數(shù)據(jù)：x=2:16;y=[6.428.209.589.59.7109.939.9910.4910.5910.6010.8010.6010.9010.76];beta0=[82]';3、求回歸系數(shù)：

[beta,r,J]=nlinfit(x',y','volum',beta0)；

beta得結果：beta=11.6036-1.0641即得回歸模型為：當前第39頁\共有44頁\編于星期三\11點逐步回歸逐步回歸的命令是：

stepwise（x，y，inmodel，alpha）運行stepwise命令時產(chǎn)生三個圖形窗口：StepwisePlot，StepwiseTable，StepwiseHistory.在StepwisePlot窗口，顯示出各項的回歸系數(shù)及其置信區(qū)間.

StepwiseTable窗口中列出了一個統(tǒng)計表，包括回歸系數(shù)及其置信區(qū)間，以及模型的統(tǒng)計量剩余標準差（RMSE）、相關系數(shù)（R-square）、F值、與F對應的概率P.矩陣的列數(shù)的指標，給出初始模型中包括的子集（缺省時設定為全部自變量）顯著性水平（缺省時為0.5）自變量數(shù)據(jù),

階矩陣因變量數(shù)據(jù)，階矩陣當前第40頁\共有44頁\編于星期三\11點例6

水泥凝固時放出的熱量y與水泥中4種化學成分x1、x2、x3、x4

有關，今測得一組數(shù)據(jù)如下，試用逐步回歸法確定一個線性模型.1、數(shù)據(jù)輸入：x1=[7111117113122111110]';x2=[26295631525571315447406668]';x3=[615886917221842398]';x4=[605220473322644222634