《數(shù)學實驗 第4版》課件 第七章 回歸分析

數(shù)學實驗國家“十二五”規(guī)劃教材山東省優(yōu)秀教材一等獎2第七章回歸分析實驗7.1一元回歸分析實驗7.2多元回歸分析數(shù)學實驗3實驗7.1一元回歸分析一、一元線性回歸分析二一元非線性回歸分析數(shù)學實驗4一、一元線性回歸分析模型兩個變量x與y可以表示為：稱為一元線性回歸模型,

y稱為響應變量自變量x是可以控制的變量,稱為未知參數(shù)a,b稱為回歸系數(shù),回歸變量；(7.1)

一元線性回歸分析實驗的主要任務是：(1)用試驗值（樣本觀測值）對未知參a,b做出估計；或因變量，(2)對建立的回歸方程進行顯著性檢驗；(3)利用建立的回歸方程進行預測或控制。

是隨機誤差.

假設(shè)均服從正態(tài)分布5（7.1）式，得這里是相互獨立的隨機變量，假設(shè)均服從正態(tài)分布，,．即，

使用最小二乘方法,求得a,b的值，可得到回歸方程：1.模型回歸系數(shù)的估計

假定試驗得到兩個變量x與y

的n個數(shù)據(jù)對，我們將這n對觀測值代入62.回歸方程的顯著性檢驗剩余（殘差）平方和它是由觀測誤差等其他因素引起的誤差.它反映了回歸變量x對變量y線性關(guān)系的密切程度.回歸平方和它表示觀測值總的分散程度.檢驗中常用的幾個統(tǒng)計量：偏差平方和7(1)擬合優(yōu)度檢驗(2)回歸方程的顯著性檢驗反映了回歸直線與觀測值的擬合程度，值越大，說明直線對數(shù)據(jù)的擬合程度越好.在實際應用中也可通過F的統(tǒng)計值對應的概率P<a來說明y與x之間的線性相關(guān)性顯著.當P<0.01時，稱回歸方程高度顯著；當0.01<P<0.05時，稱回歸方程顯著；當P>0.05時，稱回歸方程不顯著.83.利用模型預測和控制把的值代入回歸方程得到預測值.當n很大時，99%的預測區(qū)間可分別近似為這里s是剩余標準差，它表示觀測值偏離回歸直線的平均誤差.觀測值與回歸值之差稱為殘差.

如果模型的假定成立，那么殘差數(shù)據(jù)散點圖應該以0為均值，呈寬度一致的帶狀分布．9函數(shù)功能regress(y,x,alpha)計算回歸系數(shù)及其區(qū)間估計，殘差及其置信區(qū)間，并給出檢驗回歸模型的參數(shù)（決定系數(shù)，F(xiàn)統(tǒng)計量等），alpha缺省為0.05rcoplot(r,rint)畫出殘差及其置信區(qū)間fitlm（x,y,model)以x為數(shù)據(jù)矩陣，以y為響應變量，用model的方式建立一個線性回歸模型.Modelspec方式見軟件說明，可缺省.plotDiagnostics(mdl,plottype)以plottype選項的方式顯示數(shù)據(jù)與回歸模型的數(shù)據(jù)診斷圖plotResiduals(mdl,plottype)以plottype指定選項的方式顯示數(shù)據(jù)與回歸模型的誤差圖predict(mdl,Xnew)返回(線性、非線性)模型mdl在Xnew的預測值和99%置信區(qū)間相關(guān)matlab命令函數(shù)4.一元回歸分析的matlab實現(xiàn)10例1

設(shè)為x某個時期的家庭人均收入，y為該時期內(nèi)平均每十戶擁有照相機的數(shù)量.統(tǒng)計數(shù)據(jù)如下表7-2所示，求y與x的回歸方程，并畫出參差及用回歸方程進行預測.表7-2家庭人均收入與需照相機的關(guān)系（百元）1.51.82.43.03.53.94.44.85.0（臺/十戶）2.83.75.06.38.810.511.011.613.2用regress函數(shù)執(zhí)行實驗實驗方法如下：11（1）輸入數(shù)據(jù)，觀察x與y是否線性關(guān)系x=［1.51.82.43.03.53.94.44.85.0]’Y=[2.83.75.06.38.810.511.011.613.2]’；plot(x,Y,'*')↙在命令窗口輸入:12（2）求回歸方程在命令窗口輸入:X=[ones(9,1)x];[b,bint,r,rint,stats]=regress(Y,X)↙b=-1.70702.9130bint=-2.9748-0.43932.55853.2675r=….rint=…stats=0.9818377.57990.00000.2944決定系數(shù)R^2F統(tǒng)計值F的值對應的概率誤差平方的均值s2回歸系數(shù)的估計值回歸系數(shù)的置信區(qū)間殘差（此處略）殘差的100(1-alpha)%置信區(qū)間13（3)相關(guān)的檢驗可得回歸方程：決定系數(shù)R2=0.9818,F=377.5799,對應的概率P=0.000<0.01因此線性相關(guān)性高度顯著.（4）殘差分析在命令窗口輸入:rcoplot(r,rint)↙檢驗擬合效果，以進一步優(yōu)化和改進模型。必要時可以剔除異常數(shù)據(jù)。14生成右邊的殘差圖，可以看出，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，這說明回歸模型能很好的擬合原始數(shù)據(jù).（5）利用回歸方程預測及作圖在命令窗口輸入:z=b(1)+b(2)*x;plot(x,Y,'k+',x,z,'r')↙圖7-315給定x=4.5，利用回歸方程可以預測：注意

一般情況下，建立模型后還要對模型的假定——

隨機誤差是服從正態(tài)分布且相互獨立——進行一定的檢驗，以進一步優(yōu)化和改進模型。常用的方法是殘差分析法

當然也可利用模型對預測目標進行區(qū)間估計，對給定的置信度其預測區(qū)間為：16運行matlab:（1）錄入數(shù)據(jù)同實驗方法一(1).（2）求回歸方程在命令窗口輸入:lmf=fitlm(x,Y)↙注意，此處是用x,而非X.否則出錯.lmf=線性回歸模型:y~1+x1估計系數(shù):EstimateSEtStatpValue(Intercept)-1.7070.53613-3.1840.015405x12.9130.1499119.4312.3846e-07

這是回歸模型的說明，lmf是自己定義的.實驗方法二：用fitlm函數(shù)來執(zhí)行17lmf=線性回歸模型:（這是回歸模型的說明）.y~1+x1估計系數(shù):EstimateSEtStatpValue(Intercept)-1.7070.53613-3.1840.015405x12.9130.1499119.4312.3846e-07所求的回歸方程為：系數(shù)估計值

從以上運行結(jié)果可知，系數(shù)的t統(tǒng)計值和對應的概率，而regress命令則沒有這個。所求的回歸方程為：18

從以上運行結(jié)果可知，決定系數(shù)＝0.982,F=378,對應的概率P=2.38e-07<0.01,可知回歸方程：線性相關(guān)性高度顯著.觀測值數(shù)目:9,誤差自由度:7均方根誤差:0.543R-方:0.982,調(diào)整R-方0.979F統(tǒng)計量（常量模型）:378,p值=2.38e-07

可知：剩余標準差是s=0.543，決定系數(shù)R2=0.982,F統(tǒng)計量的值是：378，對應的概率是：2.38e-07.(注意，在用regress中得到的是s2=0.2944.即stats的第四個參數(shù).)（3）回歸方程的顯著性檢驗19（4）殘差分析在命令窗口輸入:plotResiduals(lmf，'probability')↙該命令可畫出殘差與回歸擬合分布圖●可見沒有殘差明顯偏離回歸擬合直線.模型無需改進.●可用下列命令找到殘差大于0.8的數(shù)據(jù)位置:find(lmf.Residuals.Raw>0.8)↙ans=620（5）點預測與95%的置信區(qū)間預測x=4.5的值.在命令窗口輸入:[NewlmfNewCI]=predict(lmf,4.5)↙Newlmf=11.4014NewCI=10.814611.9881

可得到回歸預測值為11.4014,其置信區(qū)間為[10.8146,11.9881].思考題：如何利用該命令畫出回歸方程的95%置信區(qū)間的圖形？或者用feval(lmf,4.5)也可.21二一元非線性回歸分析選擇適當?shù)那€求回歸方程其中a,b為未知參數(shù)。常見的可化為一元線性回歸的非線性（即曲線型）問題詳見教材，此處略去.

兩個變量之間的相關(guān)關(guān)系不是線性的，可以根據(jù)專業(yè)知識或散點圖，22非線性回歸Matlab命令函數(shù)函數(shù)功能nlinfit(x,y,’model’beta0)計算非線性回歸的系數(shù)，殘差，估計預測誤差的數(shù)據(jù)nlintool(x,y,’model’,beta0,alpha)產(chǎn)生擬合曲線和y的置信區(qū)間等信息的交互畫面nlpredci(‘model’,x,beta,r,J)求回歸函數(shù)在x處的預測值y及其置信區(qū)間nlparci(beta,r,J)計算回歸系數(shù)的置信區(qū)間fitnlm(x,y,fun,beta0)與nlinfit函數(shù)采用相同算法的另一個非線性回歸命令plotDiagnostics(mdl,plottype)以plottype選項的方式顯示數(shù)據(jù)與回歸模型的數(shù)據(jù)診斷圖plotResiduals(mdl,plottype)以plottype指定選項的方式顯示數(shù)據(jù)與回歸模型的誤差圖predict(mdl,Xnew)返回(線性、非線性)模型mdl在Xnew的預測值和99%置信區(qū)間23例2

在彩色顯影中，根據(jù)經(jīng)驗形成燃料光學密度y與析出銀的光學密度x由公式表7-3光學密度與析出銀的光學密度實驗數(shù)據(jù)xi0.050.060.070.100.140.200.250.310.380.430.47yi0.100.140.230.370.590.791.001.121.191.251.29求y關(guān)于x的回歸方程.表示，測得實驗數(shù)據(jù)如下：24實驗流程如下：（2）對要擬合對非線性模型建立M文件volum.m如下(1)輸入數(shù)據(jù)x=[0.050.060.070.100.140.200.250.310.380.430.47]'；

y=[0.100.140.230.370.590.791.001.121.191.251.29]‘；beta0＝[0.10.1];在命令行窗口輸入：這里初始殘數(shù)的設(shè)定沒有一般的方法.該初值的選取直接影響到計算和擬合的質(zhì)量，在沒有相關(guān)信息的情況下可用beta0=randn(nVars,1).

functionyhat=volum(beta,x)yhat=beta(1)*exp(beta(2)./x);25（3）求回歸系數(shù)[beta,r,J]=nlinfit(x,y,'volum',beta0);可得非線性回歸方程(4)回歸方程的預測及作圖[yy,delta]=nlpredci('volum1',x,beta,r,J);beta=↙1.7924-0.153426plot(x,y,'k+',x,yy,'r')↙可見回歸曲線與原始數(shù)據(jù)擬合的很好?？梢杂檬Ｓ鄻藴什顏矶康呐卸〝M合效果。27實驗方法二：用fitnlm命令流程如下：（1）輸入數(shù)據(jù)在命令窗口輸入x,y的數(shù)據(jù).同上（2）模型選擇模型也可以用匿名函數(shù).yhat=@(b,x)b(1)*exp(b(2)./x);（3）回歸與檢驗在命令窗口輸入：nlf=fitnlm(x,y,yhat,beta0)↙得到如下結(jié)果：在命令窗口輸入：28nlf=非線性回歸模型:y~b1*exp(b2/x)估計系數(shù):EstimateSEtStatpValueb11.79240.03026159.2315.6151e-13b2-0.153390.0043739-35.0696.1601e-11觀測值數(shù)目:11,誤差自由度:9均方根誤差:0.0236R-方:0.998,調(diào)整R-方0.997F-statisticvs.zeromodel:7.25e+03,p值=3.68e-15這是回歸模型的說明，nlf是自己定義的.可得非線性回歸方程29我們還可知道：決定系數(shù)，F(xiàn)統(tǒng)計值對應概率P=3.68e-15<0.01.系數(shù)的統(tǒng)計值對應概率很小.此外，剩余標準差為0.0236相比y的數(shù)據(jù)范圍小的多，也說明模型擬合較好.（4）回歸方程的預測在命令行窗口輸入：[yhat,yci]=predict(nlf,x)；↙plot(x,y,'k+',x,yhat,'r')↙此函數(shù)線性和非線性通用30

下表為1980～1991年間以1987年不變價計算的美國個人消費支出Y與國內(nèi)生產(chǎn)支出X數(shù)據(jù)（單位：10億美元）年份YX年份YX19802447.13776.319862969.14404.519812476.93843.119873052.24539.919822503.73760.319883162.44718.619832619.43906.619893223.34838.019842746.14148.519903260.44877.519852865.84279.819913240.84821.0（1）在直角坐標系下，作X與Y的散點圖，并判斷Y與X是否存在線性相關(guān)關(guān)系.（2）試求Y與X的一元線性回歸方程.三應用實例31（3）對所得回歸方程作顯著性檢驗（a=0.05）.（4）若國內(nèi)生產(chǎn)支出為x0=4500,試求對應的消費支出y0的點預測和包含概率為的95%區(qū)間預測.實驗流程（1）輸入數(shù)據(jù)，觀察散點圖.x=[3776.33843.13760.33906.64148.54279.84404.54539.94718.64838.04877.54821.0]’;y=[2447.12476.92503.72619.42746.12865.82969.13052.23162.43223.33260.43240.8]’;plot(y,x,'+')↙在命令窗口輸入:圖7-5632(2)求回歸方程在命令窗口輸入:lmf=fitlm(x,y)↙lmf=線性回歸模型:y~1+x1估計系數(shù):EstimateSEtStatpValue(Intercept)-231.894.528-2.45210.034132x10.719430.0217533.0781.5052e-11觀測值數(shù)目:12,誤差自由度:10均方根誤差:31.4R-方:0.991,調(diào)整R-方0.99F統(tǒng)計量（常量模型）:1.09e+03,p值=1.51e-11注意，此處x首行不用添加1.否則出錯.這是回歸模型的說明33可知回歸系數(shù)y

=-231.7951+0.7194x

(3)回歸方程（系數(shù)）顯著性檢驗R2=0.991，F(xiàn)=1.09e+03,p=1.51e-11，由p<0.01知回歸方程線性關(guān)系高度顯著.此外，兩個系數(shù)的統(tǒng)計量對應概率均小于0.05，也說明回歸變量與因變量y線性關(guān)系顯著.（4）殘差分析在命令行窗口輸入：plotResiduals(lmf,'probability')↙故回歸方程為34發(fā)現(xiàn)有一個殘差大于40的數(shù)據(jù)偏離正態(tài)分布.定位該數(shù)據(jù)：find(lmf.Residuals.Raw>40)↙ans=4剔除該數(shù)據(jù)重新進行回歸計算。思考題：請大家自己計算提出異常數(shù)據(jù)后結(jié)果，并分析模型是否需要改進？35(5)模型預測當x0=4500時，點預測:y0=feval(lmf,4500)↙y0=3005.7.包含概率為95%的區(qū)間預測的MATLAB實現(xiàn)：[a,b]=predict(lmf,x);↙plot(x,y,'.',x,a,'r',x,b,'b-')↙legend(‘原始數(shù)據(jù)','回歸數(shù)據(jù)','置信區(qū)間')↙

數(shù)學實驗國家“十二五”規(guī)劃教材山東省優(yōu)秀教材一等獎主編：李秀珍龐常詞37第七章回歸分析實驗7.1一元回歸分析實驗7.2多元回歸分析數(shù)學實驗38實驗7.1一元回歸分析一、一元線性回歸分析二一元非線性回歸分析數(shù)學實驗39一、一元線性回歸分析模型兩個變量x與y可以表示為：稱為一元線性回歸模型,

y稱為響應變量自變量x是可以控制的變量,稱為未知參數(shù)a,b稱為回歸系數(shù),回歸變量；(7.1)

一元線性回歸分析實驗的主要任務是：(1)用試驗值（樣本觀測值）對未知參a,b做出估計；或因變量，(2)對建立的回歸方程進行顯著性檢驗；(3)利用建立的回歸方程進行預測或控制。

是隨機誤差.

假設(shè)均服從正態(tài)分布40（7.1）式，得這里是相互獨立的隨機變量，假設(shè)均服從正態(tài)分布，,．即，

使用最小二乘方法,求得a,b的值，可得到回歸方程：1.模型回歸系數(shù)的估計

假定試驗得到兩個變量x與y

的n個數(shù)據(jù)對，我們將這n對觀測值代入412.回歸方程的顯著性檢驗剩余（殘差）平方和它是由觀測誤差等其他因素引起的誤差.它反映了回歸變量x對變量y線性關(guān)系的密切程度.回歸平方和它表示觀測值總的分散程度.檢驗中常用的幾個統(tǒng)計量：偏差平方和42(1)擬合優(yōu)度檢驗(2)回歸方程的顯著性檢驗反映了回歸直線與觀測值的擬合程度，值越大，說明直線對數(shù)據(jù)的擬合程度越好.在實際應用中也可通過F的統(tǒng)計值對應的概率P<a來說明y與x之間的線性相關(guān)性顯著.當P<0.01時，稱回歸方程高度顯著；當0.01<P<0.05時，稱回歸方程顯著；當P>0.05時，稱回歸方程不顯著.433.利用模型預測和控制把的值代入回歸方程得到預測值.當n很大時，99%的預測區(qū)間可分別近似為這里s是剩余標準差，它表示觀測值偏離回歸直線的平均誤差.觀測值與回歸值之差稱為殘差.

如果模型的假定成立，那么殘差數(shù)據(jù)散點圖應該以0為均值，呈寬度一致的帶狀分布．44函數(shù)功能regress(y,x,alpha)計算回歸系數(shù)及其區(qū)間估計，殘差及其置信區(qū)間，并給出檢驗回歸模型的參數(shù)（決定系數(shù)，F(xiàn)統(tǒng)計量等），alpha缺省為0.05rcoplot(r,rint)畫出殘差及其置信區(qū)間fitlm（x,y,model)以x為數(shù)據(jù)矩陣，以y為響應變量，用model的方式建立一個線性回歸模型.Modelspec方式見軟件說明，可缺省.plotDiagnostics(mdl,plottype)以plottype選項的方式顯示數(shù)據(jù)與回歸模型的數(shù)據(jù)診斷圖plotResiduals(mdl,plottype)以plottype指定選項的方式顯示數(shù)據(jù)與回歸模型的誤差圖predict(mdl,Xnew)返回(線性、非線性)模型mdl在Xnew的預測值和99%置信區(qū)間相關(guān)matlab命令函數(shù)4.一元回歸分析的matlab實現(xiàn)45例1

設(shè)為x某個時期的家庭人均收入，y為該時期內(nèi)平均每十戶擁有照相機的數(shù)量.統(tǒng)計數(shù)據(jù)如下表7-2所示，求y與x的回歸方程，并畫出參差及用回歸方程進行預測.表7-2家庭人均收入與需照相機的關(guān)系（百元）1.51.82.43.03.53.94.44.85.0（臺/十戶）2.83.75.06.38.810.511.011.613.2用regress函數(shù)執(zhí)行實驗實驗方法如下：46（1）輸入數(shù)據(jù)，觀察x與y是否線性關(guān)系x=［1.51.82.43.03.53.94.44.85.0]’Y=[2.83.75.06.38.810.511.011.613.2]’；plot(x,Y,'*')↙在命令窗口輸入:47（2）求回歸方程在命令窗口輸入:X=[ones(9,1)x];[b,bint,r,rint,stats]=regress(Y,X)↙b=-1.70702.9130bint=-2.9748-0.43932.55853.2675r=….rint=…stats=0.9818377.57990.00000.2944決定系數(shù)R^2F統(tǒng)計值F的值對應的概率誤差平方的均值s2回歸系數(shù)的估計值回歸系數(shù)的置信區(qū)間殘差（此處略）殘差的100(1-alpha)%置信區(qū)間48（3)相關(guān)的檢驗可得回歸方程：決定系數(shù)R2=0.9818,F=377.5799,對應的概率P=0.000<0.01因此線性相關(guān)性高度顯著.（4）殘差分析在命令窗口輸入:rcoplot(r,rint)↙檢驗擬合效果，以進一步優(yōu)化和改進模型。必要時可以剔除異常數(shù)據(jù)。49生成右邊的殘差圖，可以看出，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，這說明回歸模型能很好的擬合原始數(shù)據(jù).（5）利用回歸方程預測及作圖在命令窗口輸入:z=b(1)+b(2)*x;plot(x,Y,'k+',x,z,'r')↙圖7-350給定x=4.5，利用回歸方程可以預測：注意

一般情況下，建立模型后還要對模型的假定——

隨機誤差是服從正態(tài)分布且相互獨立——進行一定的檢驗，以進一步優(yōu)化和改進模型。常用的方法是殘差分析法

當然也可利用模型對預測目標進行區(qū)間估計，對給定的置信度其預測區(qū)間為：51運行matlab:（1）錄入數(shù)據(jù)同實驗方法一(1)。略（2）求回歸方程在命令窗口輸入:lmf=fitlm(x,Y)↙注意，此處是用x,而非X.否則出錯.lmf=線性回歸模型:y~1+x1估計系數(shù):EstimateSEtStatpValue(Intercept)-1.7070.53613-3.1840.015405x12.9130.1499119.4312.3846e-07

這是回歸模型的說明，lmf是自己定義的.實驗方法二：用fitlm函數(shù)來執(zhí)行52lmf=線性回歸模型:（這是回歸模型的說明）.y~1+x1估計系數(shù):EstimateSEtStatpValue(Intercept)-1.7070.53613-3.1840.015405x12.9130.1499119.4312.3846e-07所求的回歸方程為：系數(shù)估計值

從以上運行結(jié)果可知，系數(shù)的t統(tǒng)計值和對應的概率，而regress命令則沒有這個。所求的回歸方程為：53

從以上運行結(jié)果可知，決定系數(shù)＝0.982,F=378,對應的概率P=2.38e-07<0.01,可知回歸方程：線性相關(guān)性高度顯著.觀測值數(shù)目:9,誤差自由度:7均方根誤差:0.543R-方:0.982,調(diào)整R-方0.979F統(tǒng)計量（常量模型）:378,p值=2.38e-07

可知：剩余標準差是s=0.543，決定系數(shù)R2=0.982,F統(tǒng)計量的值是：378，對應的概率是：2.38e-07.(注意，在用regress中得到的是s2=0.2944.即stats的第四個參數(shù).)（3）回歸方程的顯著性檢驗54（4）殘差分析在命令窗口輸入:plotResiduals(lmf，'probability')↙該命令可畫出殘差與回歸擬合分布圖●可見沒有殘差明顯偏離回歸擬合直線.模型無需改進.●可用下列命令找到殘差大于0.8的數(shù)據(jù)位置:find(lmf.Residuals.Raw>0.8)↙ans=6此函數(shù)得不到與regress等價的參數(shù)55（5）點預測與95%的置信區(qū)間預測x=4.5的值.在命令窗口輸入:[NewlmfNewCI]=predict(lmf,4.5)↙Newlmf=11.4014NewCI=10.814611.9881

可得到回歸預測值為11.4014,其置信區(qū)間為[10.8146,11.9881].思考題：如何利用該命令畫出回歸方程的95%置信區(qū)間的圖形？或者用feval(lmf,4.5)也可.56二一元非線性回歸分析選擇適當?shù)那€求回歸方程其中a,b為未知參數(shù)。常見的可化為一元線性回歸的非線性（即曲線型）問題詳見教材，此處略去.

兩個變量之間的相關(guān)關(guān)系不是線性的，我們可以根據(jù)專業(yè)知識或散點圖，57非線性回歸Matlab命令函數(shù)函數(shù)功能nlinfit(x,y,’model’beta0)計算非線性回歸的系數(shù)，殘差，估計預測誤差的數(shù)據(jù)nlintool(x,y,’model’,beta0,alpha)產(chǎn)生擬合曲線和y的置信區(qū)間等信息的交互畫面nlpredci(‘model’,x,beta,r,J)求回歸函數(shù)在x處的預測值y及其置信區(qū)間nlparci(beta,r,J)計算回歸系數(shù)的置信區(qū)間fitnlm(x,y,fun,beta0)與nlinfit函數(shù)采用相同算法的另一個非線性回歸命令plotDiagnostics(mdl,plottype)以plottype選項的方式顯示數(shù)據(jù)與回歸模型的數(shù)據(jù)診斷圖plotResiduals(mdl,plottype)以plottype指定選項的方式顯示數(shù)據(jù)與回歸模型的誤差圖predict(mdl,Xnew)返回(線性、非線性)模型mdl在Xnew的預測值和99%置信區(qū)間58例2

在彩色顯影中，根據(jù)經(jīng)驗形成燃料光學密度y與析出銀的光學密度x由公式表7-3光學密度與析出銀的光學密度實驗數(shù)據(jù)xi0.050.060.070.100.140.200.250.310.380.430.47yi0.100.140.230.370.590.791.001.121.191.251.29求y關(guān)于x的回歸方程.表示，測得實驗數(shù)據(jù)如下：59實驗流程如下：（2）對要擬合對非線性模型建立M文件volum.m如下(1)輸入數(shù)據(jù)x=[0.050.060.070.100.140.200.250.310.380.430.47]'；

y=[0.100.140.230.370.590.791.001.121.191.251.29]‘；beta0＝[0.10.1];在命令行窗口輸入：這里初始殘數(shù)的設(shè)定沒有一般的方法.該初值的選取直接影響到計算和擬合的質(zhì)量，在沒有相關(guān)信息的情況下可用beta0=randn(nVars,1).

functionyhat=volum(beta,x)yhat=beta(1)*exp(beta(2)./x);60（3）求回歸系數(shù)[beta,r,J]=nlinfit(x,y,'volum',beta0);可得非線性回歸方程(4)回歸方程的預測及作圖[yy,delta]=nlpredci('volum1',x,beta,r,J);beta=↙1.7924-0.153461plot(x,y,'k+',x,yy,'r')↙可見回歸曲線與原始數(shù)據(jù)擬合的很好。可以用剩余標準差來定量的判定擬合效果。62實驗方法二：用fitnlm命令流程如下：（1）輸入數(shù)據(jù)在命令窗口輸入x,y的數(shù)據(jù).同上（2）模型選擇模型也可以用匿名函數(shù).yhat=@(b,x)b(1)*exp(b(2)./x);（3）回歸與檢驗在命令窗口輸入：nlf=fitnlm(x,y,yhat,beta0)↙得到如下結(jié)果：在命令窗口輸入：63nlf=非線性回歸模型:y~b1*exp(b2/x)估計系數(shù):EstimateSEtStatpValueb11.79240.03026159.2315.6151e-13b2-0.153390.0043739-35.0696.1601e-11觀測值數(shù)目:11,誤差自由度:9均方根誤差:0.0236R-方:0.998,調(diào)整R-方0.997F-statisticvs.zeromodel:7.25e+03,p值=3.68e-15這是回歸模型的說明，nlf是自己定義的.可得非線性回歸方程64我們還可知道：決定系數(shù)，F(xiàn)統(tǒng)計值對應概率P=3.68e-15<0.01.系數(shù)的統(tǒng)計值對應概率很小.此外，剩余標準差為0.0236相比y的數(shù)據(jù)范圍小的多，也說明模型擬合較好.（4）回歸方程的預測在命令行窗口輸入：[yhat,yci]=predict(nlf,x)；↙plot(x,y,'k+',x,yhat,'r')↙此函數(shù)線性和非線性通用65

下表為1980～1991年間以1987年不變價計算的美國個人消費支出Y與國內(nèi)生產(chǎn)支出X數(shù)據(jù)（單位：10億美元）年份YX年份YX19802447.13776.319862969.14404.519812476.93843.119873052.24539.919822503.73760.319883162.44718.619832619.43906.619893223.34838.019842746.14148.519903260.44877.519852865.84279.819913240.84821.0（1）在直角坐標系下，作X與Y的散點圖，并判斷Y與X是否存在線性相關(guān)關(guān)系.（2）試求Y與X的一元線性回歸方程.三應用實例66（3）對所得回歸方程作顯著性檢驗（a=0.05）.（4）若國內(nèi)生產(chǎn)支出為x0=4500,試求對應的消費支出y0的點預測和包含概率為的95%區(qū)間預測.實驗流程（1）輸入數(shù)據(jù)，觀察散點圖.x=[3776.33843.13760.33906.64148.54279.84404.54539.94718.64838.04877.54821.0]’;y=[2447.12476.92503.72619.42746.12865.82969.13052.23162.43223.33260.43240.8]’;plot(y,x,'+')↙在命令窗口輸入:圖7-5667(2)求回歸方程在命令窗口輸入:lmf=fitlm(x,y)↙lmf=線性回歸模型:y~1+x1估計系數(shù):EstimateSEtStatpValue(Intercept)-231.894.528-2.45210.034132x10.719430.0217533.0781.5052e-11觀測值數(shù)目:12,誤差自由度:10均方根誤差:31.4R-方:0.991,調(diào)整R-方0.99F統(tǒng)計量（常量模型）:1.09e+03,p值=1.51e-11注意，此處x首行不用添加1.否則出錯.這是回歸模型的說明68可知回歸系數(shù)y

=-231.7951+0.7194x

(3)回歸方程（系數(shù)）顯著性檢驗R2=0.991，F(xiàn)=1.09e+03,p=1.51e-11，由p<0.01知回歸方程線性關(guān)系高度顯著.此外，兩個系數(shù)的統(tǒng)計量對應概率均小于0.05，也說明回歸變量與因變量y線性關(guān)系顯著.（4）殘差分析在命令行窗口輸入：plotResiduals(lmf,'probability')↙故回歸方程為69發(fā)現(xiàn)有一個殘差大于40的數(shù)據(jù)偏離正態(tài)分布.定位該數(shù)據(jù)：find(lmf.Residuals.Raw>40)↙ans=4剔除該數(shù)據(jù)重新進行回歸計算。思考題：請大家自己計算提出異常數(shù)據(jù)后結(jié)果，并分析模型是否需要改進？70(5)模型預測當x0=4500時，點預測:y0=feval(lmf,4500)↙y0=3005.7.包含概率為95%的區(qū)間預測的MATLAB實現(xiàn)：[a,b]=predict(lmf,x);↙plot(x,y,'.',x,a,'r',x,b,'b-')↙

legend(‘原始數(shù)據(jù)','回歸數(shù)據(jù)','置信區(qū)間')↙71第七章回歸分析實驗7.1一元回歸分析實驗7.2多元回歸分析數(shù)學實驗72實驗7.2多元回歸分析數(shù)學實驗一、多元線性回歸分析二、多元線性回歸分析的matlab實現(xiàn)四、多元非線性回歸分析三、逐步回歸分析73一、多元線性回歸分析

（7.3）稱（7.3）多元線性回歸模型，假設(shè)預測對象為y與m(m≥2)個影響因素之間有以下線性關(guān)系其中y稱為因變量或響應變量，稱為回歸變量，

稱為回歸系數(shù)．

是隨機誤差，一般假設(shè)，是未知參數(shù).

更一般地有，是未知的待定系數(shù)，（7.4）其中

是已知的函數(shù)，

也稱為（廣義）多元線性回歸模型.74多元線性回歸分析實驗的主要任務是：1.用試驗值（樣本觀測值）對待定系數(shù)做出估計；2.對建立的回歸方程和每個回歸變量進行顯著性檢驗；3.利用回歸方程對y作預測，或給定y值，對回歸變量作控制．751.回歸系數(shù)的估計為了估計回歸系數(shù)，做了n組實驗得到數(shù)據(jù)代入多元線性回歸模型得到矩陣形式為其中矩陣X為已知的樣本數(shù)據(jù)矩陣，稱為資料矩陣；76B為未知的列向量(回歸系數(shù))；服從獨立同分布，即應用最小二乘法估計可得到回歸系數(shù)的估計值，

設(shè)為

可得（樣本）多元線性回歸方程：代入一組觀測值

,通過回歸方程可計算出,稱之為回歸預測值．772.線性回歸方程的顯著性檢驗多元線性回歸模型的檢驗包括：(1)回歸方程的顯著性檢驗；(2)檢驗每個回歸變量與因變量之間的相關(guān)程度；(3)檢驗模型本身是否存在自相關(guān)等.首先看回歸方程的整體顯著性檢驗方法.多元線性回歸分析選取的統(tǒng)計量同實驗7.1，此處略.（1）回歸方程的擬合優(yōu)度（R2檢驗法）R這里被稱為復相關(guān)系數(shù)或全相關(guān)系數(shù)，即決定系數(shù)的算術(shù)平方根。

復相關(guān)系數(shù)R用來解釋,這一組影響因素與y的線性相關(guān)程度.78R值越接近1，說明因變量y與回歸變量之間的函數(shù)關(guān)系越密切；

反之，則說明因變量y與回歸變量之間的函數(shù)關(guān)系不密切或不存在線性函數(shù)關(guān)系.通常R大于0.8（或0.9）才認為相關(guān)關(guān)系成立.多重判定系數(shù)R2在多元線性回歸分析是度量多元回歸方程擬合程度的一個統(tǒng)計量，反映了在因變量y的變差中被估計的回歸方程所解釋的比例.79給定顯著水平，

通常通過F的統(tǒng)計值對應的概率P

<來說明因變量y與全體回歸變量之間的當

時，稱回歸方程高度顯著；當

時，稱回歸方程顯著；當

時，稱回歸方程不顯著.（2）F檢驗法構(gòu)造統(tǒng)計量F則,F

服從第一自由度為m，第二自由度為n-m-1的F分布，線性相關(guān)性:803.每個變量的顯著性檢驗

即使回歸方程的整體線性相關(guān)性顯著，仍然要對關(guān)每個回歸變量與因變量之間的線性相關(guān)的顯著性進行檢驗.常用t-檢驗法.(1)可以根據(jù)軟件計算出的t統(tǒng)計量的統(tǒng)計值對應的概率大小來定性的判斷該回歸變量的顯著性.(2)也可以通過對回歸系數(shù)的置信區(qū)間來定性的判斷每個變量的影響顯著.如果某個變量的置信區(qū)間包含0點,則說明該變量對因變量影響不顯著.(3)若存在不顯著的變量，剔除后再進行其余變量的回歸，直至余下的變量全部顯著為止.方法如下:814.殘差分析與模型診斷觀測值與回歸值之差稱為殘差.在回歸模型定義中，我們假設(shè)隨機誤差不服從正態(tài)分布，則說明建立回歸模型不夠好，自相關(guān)等其他因素所致，需要

對于通過檢驗的模型，殘差圖中置信區(qū)間不經(jīng)過0直線的殘差所對應的個別數(shù)據(jù)，可從原數(shù)據(jù)中刪除后再重新進行回歸，這一點有時候很重要，直接影響到模型的結(jié)構(gòu)，如例5中建立的模型.

除了利用殘差外，由于剩余標準差

,如果殘差也可能是數(shù)據(jù)存在進一步改進模型.82顯然，s越接近0，說明回歸預測值與原始數(shù)據(jù)擬合的越好.表示觀測值偏離回歸直線的平均誤差，利用它也可以判斷回歸方程擬合的效果.5.預測

當我們獲得顯著的回歸方程，就可以運用該回歸方程進行分析預測了.給出自變量的一組觀測值，代入回歸方程即可得到的回歸預測值.給定置信度，我們還可以得y的的預測區(qū)間（置信區(qū)間）.83函數(shù)功能regress(y,x,alpha)計算回歸系數(shù)及其區(qū)間估計，殘差及其置信區(qū)間，并g給出檢驗回歸模型的參數(shù)（決定系數(shù)，F(xiàn)統(tǒng)計量等），alpha缺省為0.05rcoplot(r,rint)畫出殘差及其置信區(qū)間fitlm(x,y,modelspec)以x為數(shù)據(jù)矩陣，以y為相應變量，用modelspec的方式建立一個線性回歸模型.Modelspec方式見軟件說明，可缺省.plotDiagnostics(mdl,plottype)以plottype選項的方式顯示數(shù)據(jù)與回歸模型的數(shù)據(jù)診斷圖plotResiduals(mdl,plottype)以plottype指定選項的方式顯示數(shù)據(jù)與回歸模型的誤差圖predict(mdl,Xnew)返回(線性、非線性)模型mdl在Xnew的預測值和99%置信區(qū)間相關(guān)matlab的命令函數(shù)二、多元線性回歸分析的matlab實現(xiàn)實驗7.2多元線性回歸分析84例3

某公司調(diào)查某種商品的兩種廣告費用1和廣告費用2對該產(chǎn)品銷售量的影響，得到如下數(shù)據(jù)，試建立線性回歸模型并進行檢驗，診斷是否有異常點.表7-8數(shù)據(jù)表銷量Y9690959295959494廣告費1(x1)1.52.01.52.53.32.34.22.5廣告費2(x2)5.02.04.02.53.03.52.53.085（1）輸入數(shù)據(jù)，觀察x與y是否線性關(guān)系X=[1.5 2.0 1.5 2.5 3.3 2.3 4.2 2.5；5.02.04.0 2.5 3.0 3.5 2.5 3.0];Y=[96 90 95 92 95 95 94 94]’;plot(X(:,1),Y,’r*’)↙plot(X(:,2),Y,’k*’)↙用fitlm函數(shù)執(zhí)行實驗實驗方法如下：在命令窗口輸入:(2)求回歸方程首先觀察數(shù)據(jù)的散點圖，在命令行窗口輸入：86

如上圖所示,Y與x1,x2“大致”呈線性關(guān)系，我們可首先建立線性回歸模型.87在命令行窗口輸入：dlmf=fitlm(X,Y)↙dlmf=

線性回歸模型:y~1+x1+x2估計系數(shù):EstimateSEtStatpValue(Intercept)83.2121.713948.557.0048e-08x11.29850.349243.71790.013742x22.33720.331137.05820.00088245觀測值數(shù)目:8,誤差自由度:5均方根誤差:0.7R-方:0.909,調(diào)整R-方0.872統(tǒng)計模型（常量模型）:24.9,p-值=0.0025188因此，回歸方程為y=83.212+1.2985+2.3372(3)顯著性檢驗方程顯著性的整體檢驗：統(tǒng)計量R2=0.909的數(shù)值較大，說明方程擬合數(shù)據(jù)較好.F=24.94，對應于F的概率P=0.00251<0.01,總體上說明模型線性整體線性相關(guān)(4)診斷分析剩余標準差s=0.7相對因變量的值較小.性高度顯著.所以回歸方程與原數(shù)據(jù)擬合的較好.進一步觀察是否有異常數(shù)據(jù).89在命令窗口輸入：plotDiagnostics(dlmf,'cookd')↙如圖可見第一個數(shù)據(jù)的殘差大于平均值.90[~,larg]=max(dlmf.Diagnostics.CooksDistance);↙dlmf2=LinearModel.fit(X,Y,'Exclude',larg)↙dlmf2=（略）剔除該異常數(shù)據(jù)，重新回歸：

可見各項統(tǒng)計指標R2和F檢驗概率都顯著增大,剩余標準差變得更小，模型擬合效果得到進一步改善.注：

如果使用Regress命令，還可以利用rcoplot(r,rint)得到殘差及置信區(qū)間的圖.91

兩種廣告費用之間會不會有影響呢?大家可以深入考慮模型應該如何改進.也可以利用

LinearModel.fit(X,Y,'interactions')試一試.這里‘interactions’選項表示上述模型的基礎(chǔ)上引入x1*x2交叉項.92例4.

某產(chǎn)品的收率Y（%）與處理壓強X1(1.0e+5Pa)及溫度x2(攝氏度)有關(guān)，測的實驗數(shù)據(jù)如下;

請檢驗產(chǎn)品收率Y與處理壓強X1及溫度X2之間是否存在顯著的線性相關(guān)關(guān)系;如果存在，求Y關(guān)于X1及X2的線性回歸方程.X1X2YX1X2Y6.8665409.1700657.2685499.3680587.6690559.5685598700639.7700678.26956510650568.46705710.3690728.66755810.5670688.86906293（1）輸入數(shù)據(jù)觀察散點圖在命令窗口輸入：X1=[6.87.27.68.08.28.48.68.89.19.39.59.710.010.310.5]’;X2=[665685690700695670675690700680685700650690670]’;Y=[404955636557586265585967567268]’;plot(X1,Y,'*')，plot(X2,Y,'*')↙94（2）計算回歸系數(shù)在命令窗口輸入:X=[ones(15,1)X1X2];[b,bint,r,rint,stats]=regress(Y,X)↙b=-200.45545.68340.3075bint=-290.7876-110.12313.99987.36700.17900.4360……stats=0.862137.50020.000010.3172此處省略了r，rint參數(shù)的顯示。95（3）回歸方程的顯著性檢驗（4）殘差分析在命令窗口輸入:rcoplot(r,rint)↙檢驗擬合效果，以進一步優(yōu)化和改進模型。必要時可以剔除異常數(shù)據(jù)。

回歸系數(shù)的置信區(qū)間都不包含0，統(tǒng)計量R2=0.8621數(shù)值較大,F=37.5002，P<0.05.說明模型線性相關(guān)性顯著.線性回歸方程結(jié)果為+0.3075y=-200.4554+5.683496

從殘差圖7-12可以看出，殘差分布在0直線附近，且殘差的置信區(qū)間均包含零點，分布正常，但是有的數(shù)據(jù)的殘差較大，而且誤差方差的估計值s2=10.3172較大，殘差分布呈現(xiàn)一定的趨勢性，模型有待進一步改進.請大家思考.圖7.1397

此外，一元多項式回歸和多元多項式回歸也是比較常用的線性回歸模型，相關(guān)MATLAB命令有確定多項式系數(shù)的命令polyfit，一元多項式回歸交互式命令polytool和求預測及預測誤差估計的polyval,polyconf，以及曲線擬合工具箱cftool等.多元二項式回歸命令有rstool，具體用法可參與其他資料.

多元回歸分析建模是一個復雜的過程，多元回歸分析有著豐富的數(shù)學理論，有興趣的同學可以進一步深入學習相關(guān)知識.98三、逐步回歸分析

為了得到“最優(yōu)”的回歸模型，我們要保留對因變量影響大的變量，剔除對因變量影響小的變量.這里最有效的方法是逐步回歸法.(1)從一個自變量開始，根據(jù)對因變量y的影響程度，從大到小地依次逐個引入回歸方程.但當引入的自變量由于后面的自變量的引入而變得不明顯時,要將其除掉.(2)每引入或剔除一個自變量，都要對y進行一次檢驗，以確保每次引入新變量前回歸方程中只包含對y作用顯著的變量．(3)這個過程反復進行，直至沒有顯著影響變量引入，也沒有不顯著影響變量剔除為止．99

通過觀察決定系數(shù)R2、F統(tǒng)計量和剩余標準差（RMSE）、回歸系數(shù)的區(qū)間的變化來判斷該判定變量對模型的影響的顯著性.可用剩余標準差（RMSE）最小作為衡量變量選擇的一個數(shù)量標準.引入或剔除變量的依據(jù)：命令函數(shù)用法介紹stepwise（x，y,inmodel,alpha）x是自變量數(shù)據(jù)矩陣，y是因變量數(shù)據(jù)矩陣；alpha是顯著性水平（缺省時為0.05），inmode是自變量初始集合的指標.stepwiselm(x,y,modelspec)x和y的意義同stepwise，modelspec用來提供模型的類別，詳見matlab2012的軟件幫助.100例5

表中數(shù)據(jù)是某建筑公司去年20個地區(qū)是銷售量（Y千元），推銷開支、實際帳目數(shù)、同類商品競爭數(shù)和地區(qū)潛力分別是影響建筑材料銷售量的因素，試分析哪些是主要的影響因素，并建立該因素的線性回歸模型.地區(qū)I推銷開支（x1）實際帳目數(shù)(x2)同類商品競爭數(shù)(x3)地區(qū)銷售潛力(x4)銷售量y15.53110879.322.55586200.138.067129163.2…..........203.038815146.0101利用MATLAB中逐步回歸命令解決問題：(1)輸入數(shù)據(jù)Y=[79.3200.1163.2200.1146.0177.730.9291.9160.0339.4159.686.3237.5107.2155.0201.4100.2135.8223.3195.0]’;X=[5.531.010.08.02.555.08.06.0

…………..7.059.09.011.0]；此處省略了部分數(shù)據(jù)(2)逐步回歸

為簡單起見，先在模型中考慮全部變量，然后逐個加入對y影響不顯著的變量.在命令窗口輸入：stepwise(X,Y)↙102點擊左側(cè)的按鈕nextstep,X3的置信區(qū)間線段變?yōu)樗{色，表示變量X3已經(jīng)進入模型中.如下圖103再點擊左側(cè)的按鈕nextstep，X2的置信區(qū)間線段變?yōu)樗{色.104在以上過程中,決定系數(shù)R2增大，F(xiàn)的值增加，對應的概率P值明顯減小，剩余標準差RMSE明顯減小.105

也可以直接點擊右側(cè)的Allsteps按鈕一次完成變量的自動選擇.

如果再加入變量X1，X4時，決定系數(shù)幾乎沒變化，但F的值明顯減小了，RMSE的值增大了.這兩個變量不宜留在模型中，因此可以忽略X1和X4對y的影響！因此X2、X3是Y的主要影響因素.下面使用另一個命令函數(shù)再做這個實驗.

如果使用stepwiselm(x,y)命令，并不出現(xiàn)交互的窗口，而是在命令窗口直接動態(tài)地給出結(jié)果.106在命令窗口輸入：mdl=stepwiselm(X,Y)↙1.正在添加x3,FStat=29.0275,pValue=4.04289e-052.正在添加x2,FStat=49.6984,pValue=1.95221e-06mdl=線性回歸模型:y~1+x2+x3估計系數(shù):EstimateSEtStatpValue(Intercept)186.0535.8435.19067.3688e-05x23.09070.438417.04971.9522e-06x3-19.5142.3915-8.15962.7862e-07觀測值數(shù)目:20,誤差自由度:17均方根誤差:24R-方:0.902,調(diào)整R-方0.891統(tǒng)計模型（常量模型）:78.6,p-值=2.56e-09107（3）變量Y和X2、X3的回歸方程

回歸模型的常數(shù)項Intercept為186.0484，X2的系數(shù)為3.0907，X3的系數(shù)為-19.5140，故模型為

以上計算的結(jié)果并沒有把變量X1引入模型，和我們的直觀感覺不一致。X1表示推銷的開支，推銷應該是有利于銷售的.下面我們對模型做進一步的診斷.

用X2和X3建立的上述回歸模型中，剩余標準差s=24相對y的值來說較大.下面分析殘差：(4)模型的分析與診斷108在命令窗口輸入：plotResiduals(mdl,'probability')↙可見有一個殘差小于-80(圖省略)且嚴重偏離擬合直線.找到對應的數(shù)據(jù)：在命令窗口輸入：find(mdl.Residuals.Raw<-80)↙ans=16排除第16個數(shù)據(jù)重新擬合：

在命令窗口輸入：109stepwiselm(X,Y,'Exclude',16)↙1.Addingx3,FStat=29.4601,pValue=4.5237e-052.Addingx2,FStat=587.0139,pValue=4.882293e-143.Addingx1,FStat=5.9635,pValue=0.0274684.Addingx1:x3,FStat=8.3808,pValue=0.011759mdl=線性回歸模型:（模型為：y~1+x2+x1*x3估計系數(shù):EstimateSEtStatpValue(Intercept)135.9317.0157.98891.3918e-06x19.56172.69763.54460.0032357x23.44060.1106531.0932.5454e-14x3-16.5521.8891-8.76184.6777e-07x1:x3-0.852220.29438-2.8950.011759觀測值數(shù)目:19,誤差自由度:14均方根誤差:5.54R-方:0.996,調(diào)整R-方0.994統(tǒng)計模型（常量模型）:802,p-值=2.33e-16110所以回歸方程為：結(jié)果分析：

變量x1可以進入模型（P=0.03208<0.05），這與我們的常識相符合：推銷總是有利于銷售的；X1*X3的交互項也進入模型，說明推銷開支和同類商品的競爭的交互作用和銷售量y有線性相關(guān)性，這也符合我們的常識——該公司的推銷必然會影響同類商品的銷售，最終會反映到該公司的銷售量上；

銷售潛力X4未進入了模型，說明潛力和銷量沒有顯著地線性關(guān)系.進一步的分析，留給讀者自己去完成.通過這個例子也再次說明了殘差分析的重要性.111注意：

在（4）這一步如果用stepwise函數(shù)得不到X1與X3的交互項.如果想要得到含交叉項的模型，就需要重新設(shè)計數(shù)據(jù)矩陣X，在其中加入該交叉項的數(shù)據(jù)列后再做回歸.我們將在最后一個例子來具體說明.112四、多元非線性回歸分析多元非線性回歸模型可以表示為是隨機變量（是向量）.其中y是因變量（是向量），Ｘ是回歸變量（是向量或矩陣），是待定系數(shù)（是向量），

通過一個例子主要來說明利用Matlab軟件進行非線性回歸分析的參數(shù)估計方法以及利用回歸方程進行預測的方法.113非線性回歸Matlab命令函數(shù)函數(shù)功能nlinfit(x,y,’model’beta0)計算非線性回歸的系數(shù)，殘差，估計預測誤差的數(shù)據(jù)nlintool(x,y,’model’,beta0,alpha)產(chǎn)生擬合曲線和y的置信區(qū)間等信息的交互畫面nlpredci(‘model’,x,beta,r,J)求回歸函數(shù)在x處的預測值y及其置信區(qū)間nlparci(beta,r,J)計算回歸系數(shù)的置信區(qū)間fitnlm(x,y,fun,beta0)與nlinfit函數(shù)采用相同算法的另一個非線性回歸命令plotDiagnostics(mdl,plottype)以plottype選項的方式顯示數(shù)據(jù)與回歸模型的數(shù)據(jù)診斷圖plotResiduals(mdl,plottype)以plottype指定選項的方式顯示數(shù)據(jù)與回歸模型的誤差圖predict(mdl,Xnew)返回(線性、非線性)模型mdl在Xnew的預測值和99%置信區(qū)間實驗7.1一元回歸分析114例6

在研究化學動力學反應過程中，建立了一個反應速度和反應物含量的數(shù)學模型.其中是未知的參數(shù)，是三種反應物（氫，n戊烷，異構(gòu)戊烷）的含量，y是反應速度.今測得一組數(shù)據(jù)如下表，試由此確定參數(shù)區(qū)間.，并給出其置信參數(shù)的參考值為（0.1，0.05，0.02，1，2）.序號反應速度y氫x1n戊烷x2異構(gòu)戊烷x318.554703001023.79285801011534.8247030012040.024708012052.754708010614.391001901072.54100806584.3547019065913.0010030054108.50100300120110.05100801201211.3228530010133.13285190120116下面用fitnlm來處理上述非線性回歸問題：（1）首先以回歸系數(shù)和自變量為輸入變量，將要擬合的模型寫成函數(shù)huaxue.m文件functionyhat=huaxue(beta,x);yhat=(beta(4)*x(:,2)-x(:,3)/beta(5))./(1+beta(1)*x(:,1)+...beta(2)*x(:,2)+beta(3)*x(:,3));（2）輸入數(shù)據(jù)在命令窗口輸入：x0=[18.5547030010;23.792858010;34.82470300120;40.0247080120;52.754708010;614.3910019010;7