-
二、一元线性回归
2
.
1
.命令
polyfit
最小二乘多项式拟合
[p
,
S]
=polyfit
(
x
,
y
,
m
)
< br>
多项式
y=a1xm+a2xm-1+
…
+amx+am+1
其中
x=
(
x1
,
x2
,…,
xm
)
x1
…
xm
为(
n*1
)的矩阵
;
y
为(
n*1
)的矩阵;
p=
(
p>
a1
,
a2
,…,
am+1
)是多项式
y=a1xm+a
2xm-1+
…
+amx+am+1
的
系数;
S
是一个矩阵,用来估计预测
误差
.
2
.
2
.命令
polyval
多项式函数的预测值
Y=polyval
(
p
,
x
)求
polyfit<
/p>
所得的回归多项式在
x
处的预测值
Y
;
p
是
polyfit
函数的返回值;
x
和
polyfit
函数的
x
值相同。
2
.
3
.命令
polyconf
残差个案次序图
[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
DE
LTA
;
alpha
缺省时为
0.05
。
p
是
polyfit
函数的返回值;
x
和
polyfit<
/p>
函数的
x
值相同;
S
和
polyfit
函数的
S
值相同。
2
.
4
命令
polytool
(
x
,
y
< br>,
m
)一元多项式回归命令
2
.
p>
5
.命令
regress
< br>多元线性回归(可用于一元线性回归)
b=regress( Y
,
X )
[b, bint,r,ri
nt,stats]=regress(Y
,X,alpha)
b
回归系数
bint
回归系数的区间估计
r
残差
rint
残差置信区间
stats
用于检验回归模型的统计
量,有三个数值:相关系数
R
2
、
p>
F
值、与
F
对应<
/p>
的概率
p,
相关系数
R
2
越接近
1
,说明回归方程越显著;
F > F1-
α
(
k
,
n-k-1
)时
拒绝
H
0
,
F
越大,说明回归方程越显著;与
F
对应的概率
p
时拒绝
H
0
,回归模<
/p>
型成立。
Y
为
n*1
的矩阵;
X
为(
ones(n,1),x1,
…
,xm
)的矩阵;
alpha
显著性水平(缺省时为
0.05
)
。
三、多元线性回归
3
.
1
.命令
regress
(见
2
p>
。
5
)
3
.
2
.命令
rstool
多元二项式回归
命令:
rstool
(
x
,
y
,’
model
’
, alpha
)
x
为
n*m
矩阵
y
为
n
维列向量
model
由下列
< br>4
个模型中选择
1
个(用字符串
输入,缺省时为线性模型)
:
lin
ear
(线性)
:
purequadratic
(纯二
次)
:
i
nteraction
(交叉)
:
quadratic
(完全二次)<
/p>
:
alpha
显著性水平(缺省时为<
/p>
0.05
)
返回值
beta
系数
返回值
rmse
剩余标准差
返回值
residuals
残差
四、非线性回归
4
< br>.
1
.命令
nlinfit
[beta,R,J
]=nlinfit(X,Y
,
’’
m
odel
’
,beta0)
X
为
n*m
矩阵
Y
为
n
维列向量
model
为自定义函数
beta0
为估计的模型系数
beta
为回归系数
R
为残差
J
p>
4
.
2
.命令
p>
nlintool
nlintool(X,Y
,
’
m
odel
’
,beta0,alpha)
X
为
n*m
矩阵
Y
为
n
维列向量
model
为自定义函数
beta0
为估计的模型系数
alpha
显著性水平(缺省时为
0.05<
/p>
)
4
.
3
.命令
nlparci
betaci=nlparci(beta,R,J)
beta
为回归系数
R
为残差
J
返回值为回归系数
beta
的置信区间
4
.
4
p>
.命令
nlpredci