拟合回归以及MATLAB函数使用

本文全面介绍了回归分析的各种类型,包括线性回归、多元线性回归、一元多项式回归、多元二项式回归以及非线性回归。详细阐述了每种回归模型的数学表达式、参数估计方法和模型检验过程,提供了MATLAB中实现这些回归分析的命令和函数。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

回归问题分类

线性回归

多元线性回归
(1) y=β0+β1x1+...+βmxmy=\beta_{0}+\beta_{1}x_{1}+...+\beta_{m}x_{m}y=β0+β1x1+...+βmxm

  • b=regress(Y, X ) 确定回归系数的点估计值
  • [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
    • b是系数
    • bint 表示回归系数的区间估计
    • r表示残差
    • rint 表示置信区间
    • stats 表示用于检验回归模型的统计量,有三个数值:相关系数 r2r^{2}r2,F值,与 F 对应的概率 ppp
      PS:F 越大,说明回归方程越显著;与 F 对应的概率 p<α 时拒绝原假设H0
    • alpha 表示显著性水平(缺省时为 0.05)
  • rcoplot(r,rint) 画出残差及其置信区间

一元多项式回归
(2) y=a1xm+a2xm−1+...+amx+am+1y=a_{1}x^{m}+a_{2}x^{m-1}+...+a_{m}x+a_{m+1}y=a1xm+a2xm1+...+amx+am+1

  • [p,S]=polyfit(x,y,m)
    • p 是多项式系数
    • S是一个矩阵,用来估计预测误差
  • polytool(x,y,m) 调用多项式回归 GUI 界面,参数意义同 polyfit
  • Y=polyval(p,x) 求 polyfit 所得的回归多项式在 x 处的预测值 Y
  • [Y,DELTA]=polyconf(p,x,S,alpha) 求 polyfit 所得的回归多项式在 x 处的预测值 Y 及预测值的显著性为 1-alpha 的置信区间 Y±DELTA,alpha 缺省时为 0.5

多元二项式回归
(3) PureQuadratic(纯二次):y=β0+β1x1+...+βmxm+∑j=1mβjjxj2y=\beta_{0}+\beta_{1}x_{1}+...+\beta_{m}x_{m}+\sum_{j=1}^{m}\beta_{jj}x_{j}^{2}y=β0+β1x1+...+βmxm+j=1mβjjxj2
(4) Interaction(交叉):y=β0+β1x1+...+βmxm+∑1≤j≠k≤mβjkxjxky=\beta_{0}+\beta_{1}x_{1}+...+\beta_{m}x_{m}+\sum_{1\leq j\neq k\leq m}\beta_{jk}x_{j}x_{k}y=β0+β1x1+...+βmxm+1j=kmβjkxjxk
(5) Quadratic(完全二次):y=β0+β1x1+...+βmxm+∑1≤j,k≤mβjkxjxky=\beta_{0}+\beta_{1}x_{1}+...+\beta_{m}x_{m}+\sum_{1\leq j,k\leq m}\beta_{jk}x_{j}x_{k}y=β0+β1x1+...+βmxm+1j,kmβjkxjxk

  • rstool(x,y,‘model’,alpha)
    • x:n*m 矩阵
    • Y:n 维列向量
    • alpha:显著性水平(缺省时为 0.05)
    • mode:取值’linear’,‘purequadratic’,‘interaction’或’quadratic’,对应(1)(3)(4)(5) 4个模型(缺省为线性模型)

非线性回归

  • [beta,r,J]=nlinfit(x,y,‘modelfun’, beta0) 非线性回归系数的命令
  • nlintool(x,y,‘modelfun’, beta0,alpha) 非线性回归 GUI 界面
    • beta:估计出的回归系数;
    • r: 残差
    • J: Jacobian 矩阵
    • x,y:输入数据 x、y 分别为矩阵和 n 维列向量,对一元非线性回归,x 为 n 维列向量
    • modelfun:M 函数、匿名函数或 inline 函数,定义的非线性回归函数.(详见doc nlinfit)
    • beta0:回归系数的初值
  • [Y,DELTA]=nlpredci(‘modelfun’, x,beta,r,J) 获取 x 处的预测值 Y 及预测值的显著性为 1-alpha 的置信区间 Y±DELTA

逐步回归

  • stepwise(x,y,inmodel,alpha) 根据数据进行分步回归
  • stepwise 直接调出分步回归 GUI 界面
    • x:自变量数据, 阶矩阵
    • y:因变量数据, 阶矩阵
    • inmodel:矩阵的列数的指标,给出初始模型中包括的子集(缺省时设定为全部自变量)
    • alpha:显著性水平(缺省时为 0.5)
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值