數(shù)學(xué)建模與數(shù)學(xué)實(shí)驗(yàn)-回歸分析

2024/3/1電子發(fā)燒友1數(shù)學(xué)建模與數(shù)學(xué)實(shí)驗(yàn)后勤工程學(xué)院數(shù)學(xué)教研室回歸分析實(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題。2024/3/1電子發(fā)燒友3一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)測逐步回歸分析2024/3/1電子發(fā)燒友4一、數(shù)學(xué)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(biāo)，以腿長y為縱坐標(biāo)將這些數(shù)據(jù)點(diǎn)（xI，yi）在平面直角坐標(biāo)系上標(biāo)出.散點(diǎn)圖解答2024/3/1電子發(fā)燒友5一元線性回歸分析的主要任務(wù)是：返回2024/3/1電子發(fā)燒友6二、模型參數(shù)估計(jì)1、回歸系數(shù)的最小二乘估計(jì)2024/3/1電子發(fā)燒友72024/3/1電子發(fā)燒友8返回2024/3/1電子發(fā)燒友9三、檢驗(yàn)、預(yù)測與控制1、回歸方程的顯著性檢驗(yàn)2024/3/1電子發(fā)燒友10（Ⅰ）F檢驗(yàn)法

（Ⅱ）t檢驗(yàn)法2024/3/1電子發(fā)燒友11（Ⅲ）r檢驗(yàn)法2024/3/1電子發(fā)燒友122、回歸系數(shù)的置信區(qū)間2024/3/1電子發(fā)燒友133、預(yù)測與控制（1）預(yù)測2024/3/1電子發(fā)燒友14（2）控制返回2024/3/1電子發(fā)燒友15四、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.對一鋼包作試驗(yàn)，測得的數(shù)據(jù)列于下表：解答2024/3/1電子發(fā)燒友16散點(diǎn)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：2024/3/1電子發(fā)燒友17通常選擇的六類曲線如下：返回2024/3/1電子發(fā)燒友18一、數(shù)學(xué)模型及定義返回2024/3/1電子發(fā)燒友19二、模型參數(shù)估計(jì)2024/3/1電子發(fā)燒友20返回2024/3/1電子發(fā)燒友21三、多元線性回歸中的檢驗(yàn)與預(yù)測

（Ⅰ）F檢驗(yàn)法（Ⅱ）r檢驗(yàn)法(殘差平方和）2024/3/1電子發(fā)燒友222、預(yù)測（1）點(diǎn)預(yù)測（2）區(qū)間預(yù)測返回2024/3/1電子發(fā)燒友23四、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.2024/3/1電子發(fā)燒友24

這個(gè)過程反復(fù)進(jìn)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(shí)為止。逐步回歸分析法的思想：

從一個(gè)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(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Y作用顯著的變量。返回2024/3/1電子發(fā)燒友25統(tǒng)計(jì)工具箱中的回歸分析命令1、多元線性回歸2、多項(xiàng)式回歸3、非線性回歸4、逐步回歸返回2024/3/1電子發(fā)燒友26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：2024/3/1電子發(fā)燒友273、畫出殘差及其置信區(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對應(yīng)的概率p置信區(qū)間

顯著性水平（缺省時(shí)為0.05）2024/3/1電子發(fā)燒友28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(yàn)：

[b,bint,r,rint,stats]=regress(Y,X)b,bint,statsToMATLAB(liti11)題目2024/3/1電子發(fā)燒友293、殘差分析，作殘差圖：

rcoplot(r,rint)

從殘差圖可以看出，除第二個(gè)數(shù)據(jù)外，其余數(shù)據(jù)的殘差離零點(diǎn)均較近，且殘差的置信區(qū)間均包含零點(diǎn)，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(gè)數(shù)據(jù)可視為異常點(diǎn).4、預(yù)測及作圖：z=b(1)+b(2)*xplot(x,Y,'k+',x,z,'r')返回ToMATLAB(liti12)2024/3/1電子發(fā)燒友30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)測和預(yù)測誤差估計(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)測值Y及預(yù)測值的顯著性為1-alpha的置信區(qū)間YDELTA；alpha缺省時(shí)為0.5.2024/3/1電子發(fā)燒友31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：2024/3/1電子發(fā)燒友32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)測及作圖ToMATLAB(liti23)2024/3/1電子發(fā)燒友33（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2024/3/1電子發(fā)燒友34

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')2024/3/1電子發(fā)燒友35

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(yù)測出平均收入為1000、價(jià)格為6時(shí)的商品需求量為88.4791.2024/3/1電子發(fā)燒友36在Matlab工作區(qū)中輸入命令：beta,rmseToMATLAB(liti31)2024/3/1電子發(fā)燒友37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：2024/3/1電子發(fā)燒友38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，對一元非線性回歸，x為n維列向量。2、預(yù)測和預(yù)測誤差估計(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)測值Y及預(yù)測值的顯著性為1-alpha的置信區(qū)間YDELTA.2024/3/1電子發(fā)燒友39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(jié)果：beta=11.6036-1.0641即得回歸模型為：ToMATLAB(liti41)題目2024/3/1電子發(fā)燒友404、預(yù)測及作圖：

[YY,delta]=nlpredci('volum',x',beta,r,J)；

plot(x,y,'k+',x,YY,'r')ToMATLAB(liti42)2024/3/1電子發(fā)燒友41例5財(cái)政收入預(yù)測問題：財(cái)政收入與國民收入、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)測模型。

解設(shè)國民收入、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。2024/3/1電子發(fā)燒友421．

對回歸模型建立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;

2024/3/1電子發(fā)燒友432.

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）2024/3/1電子發(fā)燒友44betafit=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2024/3/1電子發(fā)燒友45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2024/3/1電子發(fā)燒友46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];2024/3/1電子發(fā)燒友472、逐步回歸：（1）先在初始模型中取全部自變量：

stepwise(x,