matlab回歸分析課件

數(shù)學(xué)建模與數(shù)學(xué)實(shí)驗(yàn)回歸分析3/14/20231實(shí)驗(yàn)?zāi)康膶?shí)驗(yàn)內(nèi)容2、掌握用數(shù)學(xué)軟件求解回歸分析問(wèn)題。1、直觀了解回歸分析基本內(nèi)容。1、回歸分析的基本理論。3、實(shí)驗(yàn)作業(yè)。2、用數(shù)學(xué)軟件求解回歸分析問(wèn)題。3/14/20232一元線性回歸多元線性回歸回歸分析數(shù)學(xué)模型及定義*模型參數(shù)估計(jì)*檢驗(yàn)、預(yù)測(cè)與控制可線性化的一元非線性回歸（曲線回歸）數(shù)學(xué)模型及定義*模型參數(shù)估計(jì)*多元線性回歸中的檢驗(yàn)與預(yù)測(cè)逐步回歸分析3/14/20233一元線性回歸分析的主要任務(wù)是：返回3/14/20235二、模型參數(shù)估計(jì)1、回歸系數(shù)的最小二乘估計(jì)3/14/20236返回3/14/20237（Ⅰ）F檢驗(yàn)法

（Ⅱ）t檢驗(yàn)法3/14/20239（Ⅲ）r檢驗(yàn)法3/14/2023102、回歸系數(shù)的置信區(qū)間3/14/202311（2）控制返回3/14/202313四、可線性化的一元非線性回歸（曲線回歸）例2出鋼時(shí)所用的盛鋼水的鋼包，由于鋼水對(duì)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(guān)系.對(duì)一鋼包作試驗(yàn)，測(cè)得的數(shù)據(jù)列于下表：解答3/14/202314散點(diǎn)圖此即非線性回歸或曲線回歸

問(wèn)題（需要配曲線）配曲線的一般方法是：3/14/202315一、數(shù)學(xué)模型及定義返回3/14/202317二、模型參數(shù)估計(jì)3/14/202318返回3/14/2023192、預(yù)測(cè)（1）點(diǎn)預(yù)測(cè)（2）區(qū)間預(yù)測(cè)返回3/14/202321四、逐步回歸分析（4）“有進(jìn)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(gè)變量開(kāi)始，把變量逐個(gè)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(duì)Y有影響的變量,而不包含對(duì)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.3/14/202322這個(gè)過(guò)程反復(fù)進(jìn)行，直至既無(wú)不顯著的變量從回歸方程中剔除，又無(wú)顯著變量可引入回歸方程時(shí)為止。逐步回歸分析法的思想：從一個(gè)自變量開(kāi)始，視自變量Y作用的顯著程度，從大到地依次逐個(gè)引入回歸方程。當(dāng)引入的自變量由于后面變量的引入而變得不顯著時(shí)，要將其剔除掉。引入一個(gè)自變量或從回歸方程中剔除一個(gè)自變量，為逐步回歸的一步。對(duì)于每一步都要進(jìn)行Y值檢驗(yàn)，以確保每次引入新的顯著性變量前回歸方程中只包含對(duì)Y作用顯著的變量。返回3/14/202323多元線性回歸

b=regress(Y,X)1、確定回歸系數(shù)的點(diǎn)估計(jì)值：3/14/2023253、畫(huà)出殘差及其置信區(qū)間：rcoplot（r，rint）2、求回歸系數(shù)的點(diǎn)估計(jì)和區(qū)間估計(jì)、并檢驗(yàn)回歸模型：

[b,bint,r,rint,stats]=regress(Y,X,alpha)回歸系數(shù)的區(qū)間估計(jì)殘差用于檢驗(yàn)回歸模型的統(tǒng)計(jì)量，有三個(gè)數(shù)值：相關(guān)系數(shù)r2、F值、與F對(duì)應(yīng)的概率p置信區(qū)間顯著性水平（缺省時(shí)為0.05）3/14/202326多項(xiàng)式回歸（一）一元多項(xiàng)式回歸

（1）確定多項(xiàng)式系數(shù)的命令：[p，S]=polyfit（x，y，m）（2）一元多項(xiàng)式回歸命令：polytool（x，y，m）1、回歸：y=a1xm+a2xm-1+…+amx+am+12、預(yù)測(cè)和預(yù)測(cè)誤差估計(jì)：（1）Y=polyval（p，x）求polyfit所得的回歸多項(xiàng)式在x處的預(yù)測(cè)值Y；（2）[Y，DELTA]=polyconf（p，x，S，alpha）求polyfit所得的回歸多項(xiàng)式在x處的預(yù)測(cè)值Y及預(yù)測(cè)值的顯著性為1-alpha的置信區(qū)間YDELTA；alpha缺省時(shí)為0.5.3/14/202329法一直接作二次多項(xiàng)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)ToMATLAB（liti21）得回歸模型為：3/14/202330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,statsToMATLAB(liti22)得回歸模型為：Y=polyconf(p,t,S)plot(t,s,'k+',t,Y,'r')預(yù)測(cè)及作圖ToMATLAB(liti23)3/14/202331（二）多元二項(xiàng)式回歸命令：rstool（x，y，’model’,alpha）nm矩陣顯著性水平（缺省時(shí)為0.05）n維列向量3/14/202332例3設(shè)某商品的需求量與消費(fèi)者的平均收入、商品價(jià)格的統(tǒng)計(jì)數(shù)據(jù)如下，建立回歸模型，預(yù)測(cè)平均收入為1000、價(jià)格為6時(shí)的商品需求量.法一直接用多元二項(xiàng)式回歸：x1=[10006001200500300400130011001300300];x2=[5766875439];y=[10075807050659010011060]';x=[x1'x2'];rstool(x,y,'purequadratic')3/14/202333在畫(huà)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(huà)面左邊的“PredictedY”下方的數(shù)據(jù)變?yōu)?8.47981，即預(yù)測(cè)出平均收入為1000、價(jià)格為6時(shí)的商品需求量為88.4791.3/14/202334在Matlab工作區(qū)中輸入命令：beta,rmseToMATLAB(liti31)為剩余標(biāo)準(zhǔn)差，表示應(yīng)變量Y值對(duì)于回歸直線的離散程度。3/14/202335結(jié)果為:b=110.53130.1464-26.5709-0.00011.8475stats=0.970240.66560.0005法二ToMATLAB(liti32)返回將化為多元線性回歸：3/14/202336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(jì)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(duì)一元非線性回歸，x為n維列向量。2、預(yù)測(cè)和預(yù)測(cè)誤差估計(jì)：[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(yù)測(cè)值Y及預(yù)測(cè)值的顯著性為1-alpha的置信區(qū)間YDELTA.3/14/202337例4對(duì)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(jié)果：beta=11.6036-1.0641即得回歸模型為：ToMATLAB(liti41)題目3/14/2023384、預(yù)測(cè)及作圖：[YY,delta]=nlpredci('volum',x',beta,r,J)；plot(x,y,'k+',x,YY,'r')ToMATLAB(liti42)3/14/202339例5財(cái)政收入預(yù)測(cè)問(wèn)題：財(cái)政收入與國(guó)民收入、工業(yè)總產(chǎn)值、農(nóng)業(yè)總產(chǎn)值、總?cè)丝?、就業(yè)人口、固定資產(chǎn)投資等因素有關(guān)。下表列出了1952-1981年的原始數(shù)據(jù)，試構(gòu)造預(yù)測(cè)模型。

解設(shè)國(guó)民收入、工業(yè)總產(chǎn)值、農(nóng)業(yè)總產(chǎn)值、總?cè)丝?、就業(yè)人口、固定資產(chǎn)投資分別為x1、x2、x3、x4、x5、x6，財(cái)政收入為y，設(shè)變量之間的關(guān)系為：y=ax1+bx2+cx3+dx4+ex5+fx6使用非線性回歸方法求解。3/14/2023401．

對(duì)回歸模型建立M文件model.m如下:functionyy=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=X(:,3);x4=X(:,4);x5=X(:,5);x6=X(:,6);yy=a*x1+b*x2+c*x3+d*x4+e*x5+f*x6;

3/14/2023412.

主程序liti6.m如下:X=[598.00349.00461.0057482.0020729.0044.00…………..2927.006862.001273.00100072.043280.00496.00];y=[184.00216.00248.00254.00268.00286.00357.00444.00506.00...271.00230.00266.00323.00393.00466.00352.00303.00447.00...564.00638.00658.00691.00655.00692.00657.00723.00922.00...890.00826.00810.0]';beta0=[0.50-0.03-0.600.01-0.020.35];betafit=nlinfit(X,y,'model',beta0)ToMATLAB(liti6）3/14/202342betafit=0.5243-0.0294-0.63040.0112-0.02300.3658即y=0.5243x1-0.0294x2-0.6304x3+0.0112x4-0.0230x5+0.3658x6結(jié)果為:返回3/14/202343逐步回歸逐步回歸的命令是：stepwise（x，y，inmodel，alpha）運(yùn)行stepwise命令時(shí)產(chǎn)生三個(gè)圖形窗口：StepwisePlot，StepwiseTable，StepwiseHistory.在StepwisePlot窗口，顯示出各項(xiàng)的回歸系數(shù)及其置信區(qū)間.StepwiseTable窗口中列出了一個(gè)統(tǒng)計(jì)表，包括回歸系數(shù)及其置信區(qū)間，以及模型的統(tǒng)計(jì)量剩余標(biāo)準(zhǔn)差（RMSE）、相關(guān)系數(shù)（R-square）、F值、與F對(duì)應(yīng)的概率P.矩陣的列數(shù)的指標(biāo)，給出初始模型中包括的子集（缺省時(shí)設(shè)定為全部自變量）顯著性水平（缺省時(shí)為0.5）自變量數(shù)據(jù),階矩陣因變量數(shù)據(jù)，階矩陣3/14/202344例6水泥凝固時(shí)放出的熱量y與水泥中4種化學(xué)成分x1、x2、x3、x4

有關(guān)，今測(cè)得一組數(shù)據(jù)如下，試用逐步回歸法確定一個(gè)線性模型.1、數(shù)據(jù)輸入：x1=[7111117113122111110]';x2=[26295631525571315447406668]';x3=[615886917221842398]';x4=[6052204733226442226341212]';y=[78.574.3104.387.695.9109.2102.772.593.1115.983.8113.3109.4]';x=[x1x2x3x4];3/14/2023452、逐步回歸：（1）先在初始模型中取全部自變量：stepwise(x,y)得圖StepwisePlot和表StepwiseTable圖StepwisePlot中四條直線都是虛線，說(shuō)明模型的顯著性不好從表StepwiseTable中看出變量x3和x4的顯著性最差.3/14/202346（2）在圖StepwisePlot中點(diǎn)擊直線3和直線4，移去變量x3和x4移去變量x3和x4后模型具有顯著性.

雖然剩余標(biāo)準(zhǔn)差（RMSE）沒(méi)有太大的變化，但是統(tǒng)計(jì)量F的值明顯增大，因此新的回歸模型更好.ToMATLAB(liti51）3/14/202347（3）對(duì)變量y和x1、x2作線性回歸：X=[ones(13,1)x1x2];b=regress(y,X)得結(jié)果：b=52.57731.46830.6623故最終模型為：y=52.5773+1.4683x1+0.6623x2ToMATLAB(liti52）返回3/14/202348作業(yè)1、考察溫度x對(duì)產(chǎn)量y的影響，測(cè)得下列10組數(shù)據(jù)：求y關(guān)于x的線性回歸方程，檢驗(yàn)回歸效果是否顯著，并預(yù)測(cè)x=42℃時(shí)產(chǎn)量的估值及預(yù)測(cè)區(qū)間（置信度95%）.2、某零件上有一段曲線，為了在程序控制機(jī)床上加工這一零件，需要求這段曲線的解析表達(dá)式，在曲線橫坐標(biāo)xi處測(cè)得縱坐標(biāo)yi共11對(duì)數(shù)據(jù)如下：求這段曲線的縱坐標(biāo)y關(guān)于橫坐標(biāo)x的二次多項(xiàng)式回歸方程.3/14/2023493/14/2023504、混凝土的抗壓強(qiáng)度隨養(yǎng)護(hù)時(shí)間的延長(zhǎng)而增加，現(xiàn)將一批混凝土作成12個(gè)試塊，記錄了養(yǎng)護(hù)日期x（日）及抗壓強(qiáng)度y（kg/cm2）的數(shù)據(jù)：3/14/202351謝謝大家3/14/202352四軟件開(kāi)發(fā)人員的薪金問(wèn)題：一家高技術(shù)公司人事部門(mén)為研究軟件開(kāi)發(fā)人員的薪金與他們的資歷、管理責(zé)任、教育程度等因素之間的關(guān)系，要建立一個(gè)數(shù)學(xué)模型，以便分析公司人士策略的合理性，并作為新聘用人員工資的參考。他們認(rèn)為目前公司人員的薪金總體上是合理的，可以作為建模的依據(jù)，于是調(diào)查了46名開(kāi)發(fā)人員的檔案資料，如表。其中資歷一列指從事專(zhuān)業(yè)工作的年數(shù)，管理一列中1表示管理人員，0表示非管理人員，教育一列中1表示中學(xué)程度，2表示大學(xué)程度，3表示更高程度（研究生）3/14/2023533/14/202354開(kāi)發(fā)人員的薪金與他們的資歷、管理責(zé)任、教育程度3/14/202355分析與假設(shè)：按照常識(shí)，薪金自然按照資歷（年）的增長(zhǎng)而增加，管理人員的薪金高于非管理人員，教育程度越高薪金越高。薪金記作，資歷（年）記作，為了表示是否為管理人員定義1，管理人員0，非管理人員為了表示三種教育程度，定義1，中學(xué)0，其它1，大學(xué)0，其它這樣，中學(xué)用表示，大學(xué)用表示，研究生則用表示。3/14/202356為了簡(jiǎn)單起見(jiàn)，我們假定資歷（年）對(duì)薪金的作用是線性的，即資歷每加一年，薪金的增長(zhǎng)是常數(shù)；管理責(zé)任、教育程度、資歷諸因素之間沒(méi)有交互作用，建立線性回歸模型。基本模型：薪金與資歷，管理責(zé)任，教育程度之間的多元線性回歸模型為其中，是待估計(jì)的回歸系數(shù)，是隨機(jī)誤差。利用MATLAB的系統(tǒng)工具箱可以得到回歸系數(shù)及其置信區(qū)間（置信水平）、檢驗(yàn)統(tǒng)計(jì)量的結(jié)果，見(jiàn)表。3/14/2023573/14/202358結(jié)果分析：從表中，，即因變量（薪金）的95.7%可由模型確定，值超過(guò)檢驗(yàn)的臨界值，遠(yuǎn)小于，因而模型從整體來(lái)看是可用的。比如，利用模型可以估計(jì)（或估計(jì)）一個(gè)大學(xué)畢業(yè)、有2年資歷、管理人員的薪金為模型中各個(gè)回歸系數(shù)的含義可初步解釋如下：的系數(shù)為546，說(shuō)明資歷每增加一年，薪金增長(zhǎng)546；的系數(shù)為6883，說(shuō)明管理人員的薪金比非管理人員多6883；的系數(shù)為-2994，說(shuō)明中學(xué)程度的薪金比研究生少2994；的系數(shù)為148，說(shuō)明大學(xué)程度的薪金比研究生多148，但是應(yīng)該注意到的置信區(qū)間包含零點(diǎn)，所以這個(gè)系數(shù)的解釋是不可靠的。注意：上述解釋是就平均值來(lái)說(shuō)的，并且，一個(gè)因素改變引起的因變量的變化量，都是在其它因素不變的條件下才成立的。3/14/202359進(jìn)一步討論：的置信區(qū)間包含零點(diǎn)，說(shuō)明上述基本模型存在缺點(diǎn)。為了尋找改進(jìn)的方向，常用殘差分析法（殘差指薪金的實(shí)際值與模型估計(jì)的薪金之差，是基本模型中隨機(jī)誤差的估計(jì)值，這里用同一個(gè)符號(hào)）。我們將影響因素分成資歷與管理—教育組合兩類(lèi)，管理--教育組合定義如表。管理—教育組合3/14/202360為了對(duì)殘差進(jìn)行分析，下圖給出與資歷的關(guān)系，及與管理--教育組合間的關(guān)系。與資歷的關(guān)系與組合的關(guān)系從左圖看，殘差大概分成3個(gè)水平，這是由于6種管理—教育組合混在一起，在模型中未被正確反映的結(jié)果；從右圖看，對(duì)于前4個(gè)管理—教育組合，殘差或者全為正，或者全為負(fù)，也表明管理--教育組合在模型中處理不當(dāng)。在模型中，管理責(zé)任和教育程度是分別起作用的，事實(shí)上，二者可能起著交互作用，如大學(xué)程度的管理人員的薪金會(huì)比二者分別的薪金之和高一點(diǎn)。3/14/202361以上分析提示我們，應(yīng)在基本模型中增加管理更好的模型：與教育的交互項(xiàng)，建立新的回歸模型。增加與的交互項(xiàng)后，模型記作利用MATLAB的統(tǒng)計(jì)工具箱得到的結(jié)果如表：3/14/2023623/14/202363由上表可知，這個(gè)模型的做該模型的兩個(gè)殘差分析圖，可以看出，已經(jīng)消除了不正常現(xiàn)象，這也說(shuō)明了模型的適用性。和值都比上一個(gè)模型有所改進(jìn)，并且所有回歸系數(shù)的置信區(qū)間都不含零點(diǎn)，表明這個(gè)模型完全可用。與的關(guān)系與組合的關(guān)系3/14/202364從上圖，還可以發(fā)現(xiàn)一個(gè)異常點(diǎn)：具有10年資歷、大學(xué)程度的管理人員（編號(hào)33）的實(shí)際薪金明顯低于模型的估計(jì)值，也明顯低于與他有類(lèi)似經(jīng)歷的其他人的薪金。這可能是由我們未知的原因造成的。為了使個(gè)別數(shù)據(jù)不致影響整個(gè)模型，應(yīng)該將這個(gè)異常數(shù)據(jù)去掉，對(duì)模型重新估計(jì)回歸系數(shù)，得到的結(jié)果如表。殘差分析見(jiàn)圖?？梢钥吹?，去掉異常數(shù)據(jù)后結(jié)果又有改善。3/14/2023653/14/202366與的關(guān)系與組合的關(guān)系模型的應(yīng)用：對(duì)于第二個(gè)模型，用去掉異常數(shù)據(jù)（33號(hào)）后估計(jì)出的系數(shù)得到的結(jié)果是滿(mǎn)意的。模型的應(yīng)用之一，可以用來(lái)“制訂”6種管理—教育組合人員的“基礎(chǔ)”薪金（即資歷為零的薪金），這是平均意義上的。利用第二個(gè)模型和去掉異常數(shù)據(jù)后得到的回歸系數(shù)，可以得到如下結(jié)果：3/14/2023673/14/202368可以看出，大學(xué)程度的管理人員薪金比研究生程度管理人員

薪金高，而大學(xué)程度的非管理人員薪金比研究生程度非管理

人員薪金略低。當(dāng)然，這是根據(jù)這家公司實(shí)際數(shù)據(jù)建立的模

型得到的結(jié)果，并不具普遍性。評(píng)注：從建立回歸模型的角度，通過(guò)這個(gè)問(wèn)題的求解我們學(xué)習(xí)了：1）對(duì)于影響因變量的定性因素（管理、教育），可以引入0—1變量來(lái)處理，0—1變量的個(gè)數(shù)比定性因素的水平少1（如教育程度有3個(gè)水平，引入2個(gè)0—1變量）。2）用殘差分析法可以發(fā)現(xiàn)模型的缺陷，引入交互作用項(xiàng)常?？梢缘玫礁纳?。3）若發(fā)現(xiàn)異常值應(yīng)剔除，有助于結(jié)果的合理性。思考：在這里我們由簡(jiǎn)到繁，先分別引進(jìn)管理和教育因素，再引入交互項(xiàng)。試直接對(duì)6種管理-教育組合引入5個(gè)0—1變量，建立模型，看結(jié)果如何。3/14/202369五教學(xué)評(píng)估為了考評(píng)教師的教學(xué)質(zhì)量，教學(xué)研究部門(mén)設(shè)計(jì)了一個(gè)教學(xué)評(píng)估表，對(duì)學(xué)生進(jìn)行一次問(wèn)卷調(diào)查，要求學(xué)生對(duì)12位教師的15門(mén)課程（其中3為教師有兩門(mén)課程）按以下7項(xiàng)內(nèi)容打分，分值為1—5分（5分最好，1分最差）：?jiǎn)栴}：~課程內(nèi)容組織的合理性；~主要問(wèn)題展開(kāi)的邏輯性；~回答學(xué)生問(wèn)題的有效性；~課下交流的有助性；~教科書(shū)的幫助性；~考試評(píng)分的公正性；~對(duì)教師的總體評(píng)價(jià)。3/14/202370收回問(wèn)卷調(diào)查表后，得到了學(xué)生對(duì)12為教師、15門(mén)課程各項(xiàng)評(píng)分的平均值，見(jiàn)表。

3/14/2023713/14/202372不一定每項(xiàng)都對(duì)教師總體評(píng)價(jià)有顯著影響，并且各項(xiàng)內(nèi)容之間也可能存在很強(qiáng)的相關(guān)性，他們希望得到一個(gè)總體評(píng)價(jià)與各項(xiàng)具體內(nèi)容之間的模型，模型應(yīng)盡量簡(jiǎn)單和有效，并且由此能給教師一些合理的建議，以提高總體評(píng)價(jià)。準(zhǔn)備知識(shí)：逐步回歸這個(gè)問(wèn)題給出了6個(gè)自變量，但我們希望從中選出對(duì)因變量影響顯著的那些來(lái)建立回歸模型。變量選擇的標(biāo)準(zhǔn)應(yīng)該是將所有對(duì)因變量影響顯著的自變量都選入模型，而影響不顯著的自變量都不選入模型，從便于應(yīng)用的角度，應(yīng)使模型中的自變量個(gè)數(shù)盡量少。逐步回歸就是一種從眾多自變量中有效的選擇重要變量的方法。教學(xué)研究部門(mén)認(rèn)為，所列各項(xiàng)具體內(nèi)容3/14/202373逐步回歸的基本思路是，先確定一個(gè)包含若干自變量的初始集合，然后每次從集合外的變量中引入一個(gè)對(duì)因變量影響最大的，再對(duì)集合中的變量進(jìn)行檢驗(yàn)，從變得不顯著的變量中移出一個(gè)影響最小的，依次進(jìn)行，直到不能引入和移出為止。引入和移出都