MATLAB-回归分析.ppt

上传人:小飞机 文档编号:5438865 上传时间:2023-07-07 格式:PPT 页数:62 大小:1.50MB
返回 下载 相关 举报
MATLAB-回归分析.ppt_第1页
第1页 / 共62页
MATLAB-回归分析.ppt_第2页
第2页 / 共62页
MATLAB-回归分析.ppt_第3页
第3页 / 共62页
MATLAB-回归分析.ppt_第4页
第4页 / 共62页
MATLAB-回归分析.ppt_第5页
第5页 / 共62页
点击查看更多>>
资源描述

《MATLAB-回归分析.ppt》由会员分享,可在线阅读,更多相关《MATLAB-回归分析.ppt(62页珍藏版)》请在三一办公上搜索。

1、2023/7/7,1,数学建模与matlab软件,第16章回归分析,2023/7/7,2,一、基本统计量,对随机变量x,计算其基本统计量的命令如下:均值:mean(x)中位数:median(x)标准差:std(x)方差:var(x)极差:range(x)或 max(x)-min(x)偏度:skewness(x)峰度:kurtosis(x),复习上讲内容,2023/7/7,3,二、分布函数的近似求法,画直方图:hist(data,k),三、几个在统计中常用的概率分布,1 正态分布,密度函数:normpdf(x,0,1);概率函数:normcdf(x0,0,1)=p(xxo)=(x0),密度函数:

2、chi2pdf(x,n)概率函数:chi2cdf(x,n),2023/7/7,4,3、t分布t(n)概率密度:tpdf(x,n);概率函数:tcdf(x,n)4、F分布F(n1,n2)概率密度:fpdf(x,n1,n2);概率函数:fcdf(x,n1,n2)5、随机数生成:rnd例 生成标准正态分布数据:normrnd(m)生成(0,1)上均匀分布数据:unitrnd(m),2023/7/7,5,四、参数估计,1、muhat,sigmahat,muci,sigmaci=normfit(X,alpha)-在显著性水平alpha下,求正态分布的数据X的均值的点估计及其区间估计.2、muhat,mu

3、ci=expfit(X,alpha)-在显著性水平alpha下,求指数分布的数据X的均值的点估计及其区间估计.3、lambdahat,lambdaci=poissfit(X,alpha)-在显著性水平alpha下,求泊松分布的数据X 的参数的点估计及其区间估计.4、phat,pci=weibfit(X,alpha)-在显著性水平alpha下,求Weibull分布的数据X 的参数的点估计及其区间估计.5、,2023/7/7,6,五、假设检验,1、总体方差sigma2已知时,总体均值的检验使用 z-检验 h,sig,ci=ztest(x,m,sigma,alpha,tail),2、总体方差sigm

4、a2未知时,总体均值的检验使用t-检验 h,sig,ci=ttest(x,m,alpha,tail),3、两总体均值的假设检验使用 t-检验 h,sig,ci=ttest2(x,y,alpha,tail),4、非参数检验:总体分布的检验,(1)h=normplot(x,)正态分布的检验(2)h=weibplot(x,)威布尔分布的检验(3)p,h=ranksum(x,y,)wilcoxon秩和检验,2023/7/7,7,教学目的,教学内容,1、回归分析的基本理论。,3、实验作业。,2、用数学软件求解回归分析问题。,2023/7/7,8,一元线性回归,多元线性回归,回归分析,数学模型及定义,*模

5、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,2023/7/7,9,本讲命令,1、确定回归系数的点估计值:b=regress(Y,X),2、求回归系数的点估计和区间估计、并检验回归模型:b,bint,r,rint,stats=regress(Y,X,alpha),3、画出残差及其置信区间:rcoplot(r,rint),多元线性回归,2023/7/7,10,2、预测和预测误差估计:,(1)Y=polyval(p,x)求polyfit所得的回归多项式在x处 的预测值Y;(2)Y,DELTA=pol

6、yconf(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YDELTA;alpha缺省时为0.5.,多项式回归,(1)确定多项式系数的命令:p,S=polyfit(x,y,m)(2)一元多项式回归命令:polytool(x,y,m),1、回归:,(一)一元多项式回归,y=a1xm+a2xm-1+amx+am+1,(二)多元二项式回归,命令:rstool(x,y,model,alpha),2023/7/7,11,非线性回归,1、回归:,(1)确定回归系数的命令:beta,r,J=nlinfit(x,y,model,beta0),

7、(2)非线性回归命令:nlintool(x,y,model,beta0,alpha),2、预测和预测误差估计:,Y,DELTA=nlpredci(model,x,beta,r,J),逐 步 回 归,命令:stepwise(x,y,inmodel,alpha),2023/7/7,12,一、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,作图命令:x=143 145 146 147 149 150 153 154 155 156 157 158 159 160 162 164;y=88 85

8、88 91 92 93 93 95 96 98 97 96 98 99 100 102;plot(x,y,+),2023/7/7,13,一元线性回归分析的主要任务是:,2023/7/7,14,二、模型参数估计,1、回归系数的最小二乘估计,2023/7/7,15,2023/7/7,16,2023/7/7,17,三、检验、预测与控制,1、回归方程的显著性检验,2023/7/7,18,()F检验法,()t检验法,2023/7/7,19,()r检验法,2023/7/7,20,2、回归系数的置信区间,2023/7/7,21,3、预测与控制,(1)预测,2023/7/7,22,(2)控制,2023/7/7

9、,23,四、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,2023/7/7,24,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:,2023/7/7,25,通常选择的六类曲线如下:,2023/7/7,26,一、数学模型及定义,返回,2023/7/7,27,二、模型参数估计,2023/7/7,28,返回,2023/7/7,29,三、多元线性回归中的检验与预测,()F检验法,()r检验法,(残差平方和),2023/7/7

10、,30,2、预测,(1)点预测,(2)区间预测,返回,2023/7/7,31,四、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.,2023/7/7,32,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

11、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,2023/7/7,33,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,2023/7/7,34,多元线性回归,b=regress(Y,X),1、确定回归系数的点估计值:,2023/7/7,35,3、画出残差及其置信区间:rcopl

12、ot(r,rint),2、求回归系数的点估计和区间估计、并检验回归模型:b,bint,r,rint,stats=regress(Y,X,alpha),2023/7/7,36,例 某商场一年内每月的销售收入X(万元)与销售费用Y(万元)统计如表,试求销售费用Y关于销售收入X的线性回归方程。,解:建立回归模型 y=b0+b1xx1=187.1 179.5 157.0 197.0 239.4 217.8 227.1 233.4 242.0 251.9 230.0 271.8;y=25.4 22.8 20.6 21.8 32.4 24.4 29.3 27.9 27.8 34.2 29.2 30.0;x

13、=ones(12,1)x1;b,bint,r,rint,stats=regress(y,x),b=3.4130 0.1081bint=-7.0791 13.9050 0.0608 0.1554stats=0.7218 25.9430 0.0005,回归方程为:y=3.4130+0.1081xB0的置信区间:-7.0791 13.9050b1的置信区间:0.0608 0.1554,复相关系数R=0.7218,F统计量值为25.9430,显著性概率P=0.0005,作回归残差图:rcoplot(r,rint),从残差图可以看出,所有数据的残差都包含零,且显著性概率P0.01,回归效果显著。如果某个

14、数据的残差不包含零,则常把它视为异常值,在回归中应把它剔除,再进行回归。,2023/7/7,37,例1,解:,1、输入数据:x=143 145 146 147 149 150 153 154 155 156 157 158 159 160 162 164;X=ones(16,1)x;Y=88 85 88 91 92 93 93 95 96 98 97 96 98 99 100 102;,2、回归分析及检验:b,bint,r,rint,stats=regress(Y,X)b,bint,stats,To MATLAB(liti11),题目,2023/7/7,38,3、残差分析,作残差图:rcopl

15、ot(r,rint),从残差图可以看出,除第二个数据外,其余数据的残差离零点均较近,且残差的置信区间均包含零点,这说明回归模型 y=-16.073+0.7194x能较好的符合原始数据,而第二个数据可视为异常点.,4、预测及作图:z=b(1)+b(2)*x plot(x,Y,k+,x,z,r),返回,To MATLAB(liti12),2023/7/7,39,多 项 式 回 归,(一)一元多项式回归,y=a1xm+a2xm-1+amx+am+1,2023/7/7,40,法一,直接作二次多项式回归:t=1/30:1/30:14/30;s=11.86 15.67 20.60 26.69 33.71

16、41.93 51.13 61.49 72.90 85.44 99.08 113.77 129.54 146.48;p,S=polyfit(t,s,2),To MATLAB(liti21),得回归模型为:,2023/7/7,41,法二,化为多元线性回归:t=1/30:1/30:14/30;s=11.86 15.67 20.60 26.69 33.71 41.93 51.13 61.49 72.90 85.44 99.08 113.77 129.54 146.48;T=ones(14,1)t(t.2);b,bint,r,rint,stats=regress(s,T);b,stats,To MATL

17、AB(liti22),得回归模型为:,Y=polyconf(p,t,S)plot(t,s,k+,t,Y,r),预测及作图,To MATLAB(liti23),2023/7/7,42,(二)多元二项式回归,命令:rstool(x,y,model,alpha),2023/7/7,43,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 7

18、5 80 70 50 65 90 100 110 60;x=x1 x2;rstool(x,y,purequadratic),2023/7/7,44,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.,2023/7/7,45,在Matlab工作区中输入命令:beta,rmse,To MATLAB(liti31),2023/7/7,46

19、,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,2023/7/7,47,非线性回 归,(1)确定回归系数的命令:beta,r,J=nlinfit(x,y,model,beta0),(2)非线性回归命令:nlintool(x,y,model,beta0,alpha),1、回归:,2023/7/7,48,例 4 对第一节例2,求解如下:,2、输入数据:x=2:16;y=6.42 8.20 9.58 9.5 9.7 10 9.93 9.99 10.49 1

20、0.59 10.60 10.80 10.60 10.90 10.76;beta0=8 2;,3、求回归系数:beta,r,J=nlinfit(x,y,volum,beta0);beta,4、得结果:beta=11.6036-1.0641,即得回归模型为:,To MATLAB(liti41),题目,2023/7/7,49,4、预测及作图:YY,delta=nlpredci(volum,x,beta,r,J);plot(x,y,k+,x,YY,r),To MATLAB(liti42),2023/7/7,50,例5 财政收入预测问题:财政收入与国民收入、工业总产值、农业总产值、总人口、就业人口、固定

21、资产投资等因素有关。下表列出了1952-1981年的原始数据,试构造预测模型。,解 设国民收入、工业总产值、农业总产值、总人口、就业人口、固定资产投资分别为x1、x2、x3、x4、x5、x6,财政收入为y,设变量之间的关系为:y=ax1+bx2+cx3+dx4+ex5+fx6使用非线性回归方法求解。,2023/7/7,51,1 对回归模型建立M文件model.m如下:function yy=model(beta0,X)a=beta0(1);b=beta0(2);c=beta0(3);d=beta0(4);e=beta0(5);f=beta0(6);x1=X(:,1);x2=X(:,2);x3=

22、X(:,3);x4=X(:,4);x5=X(:,5);x6=X(:,6);yy=a*x1+b*x2+c*x3+d*x4+e*x5+f*x6;,2023/7/7,52,2.主程序liti6.m如下:,X=598.00 349.00 461.00 57482.00 20729.00 44.00.2927.00 6862.00 1273.00 100072.0 43280.00 496.00;y=184.00 216.00 248.00 254.00 268.00 286.00 357.00 444.00 506.00.271.00 230.00 266.00 323.00 393.00 466.0

23、0 352.00 303.00 447.00.564.00 638.00 658.00 691.00 655.00 692.00 657.00 723.00 922.00.890.00 826.00 810.0;beta0=0.50-0.03-0.60 0.01-0.02 0.35;betafit=nlinfit(X,y,model,beta0),To MATLAB(liti6),2023/7/7,53,betafit=0.5243-0.0294-0.6304 0.0112-0.0230 0.3658即y=0.5243x1-0.0294x2-0.6304x3+0.0112x4-0.0230 x

24、5+0.3658x6,结果为:,返 回,2023/7/7,54,逐 步 回 归,逐步回归的命令是:stepwise(x,y,inmodel,alpha),运行stepwise命令时产生三个图形窗口:Stepwise Plot,Stepwise Table,Stepwise History.,在Stepwise Plot窗口,显示出各项的回归系数及其置信区间.,Stepwise Table 窗口中列出了一个统计表,包括回归系数及其置信区间,以及模型的统计量剩余标准差(RMSE)、相关系数(R-square)、F值、与F对应的概率P.,2023/7/7,55,例6 水泥凝固时放出的热量y与水泥中4

25、种化学成分x1,x2,x3,x4有关,今测得一组数据如下,试用逐步回归法确定一个线性模型.,1、数据输入:x1=7 1 11 11 7 11 3 1 2 21 1 11 10;x2=26 29 56 31 52 55 71 31 54 47 40 66 68;x3=6 15 8 8 6 9 17 22 18 4 23 9 8;x4=60 52 20 47 33 22 6 44 22 26 34 12 12;y=78.5 74.3 104.3 87.6 95.9 109.2 102.7 72.5 93.1 115.9 83.8 113.3 109.4;x=x1 x2 x3 x4;,2023/7/

26、7,56,2、逐步回归:(1)先在初始模型中取全部自变量:stepwise(x,y)得图Stepwise Plot 和表Stepwise Table,图Stepwise Plot中四条直线都是虚线,说明模型的显著性不好,从表Stepwise Table中看出变量x3和x4的显著性最差.,2023/7/7,57,(2)在图Stepwise Plot中点击直线3和直线4,移去变量x3和x4,移去变量x3和x4后模型具有显著性.,虽然剩余标准差(RMSE)没有太大的变化,但是统计量F的值明显增大,因此新的回归模型更好.,To MATLAB(liti51),2023/7/7,58,(3)对变量y和x1、x2作线性回归:X=ones(13,1)x1 x2;b=regress(y,X),得结果:b=52.5773 1.4683 0.6623故最终模型为:y=52.5773+1.4683x1+0.6623x2,To MATLAB(liti52),返回,2023/7/7,59,作 业,2023/7/7,60,2023/7/7,61,4、混凝土的抗压强度随养护时间的延长而增加,现将一批混凝土作成12个试块,记录了养护日期x(日)及抗压强度y(kg/cm2)的数据:,2023/7/7,62,谢谢大家,

展开阅读全文
相关资源
猜你喜欢
相关搜索
资源标签

当前位置:首页 > 生活休闲 > 在线阅读


备案号:宁ICP备20000045号-2

经营许可证:宁B2-20210002

宁公网安备 64010402000987号