多序列回归预测模型

湖北省油菜投入与产出的统计分析

1.投入指标：资本(K)，土地(S)，劳动(L)；

2.产出指标：总产量(Y),

 

建立模型：

转化为四元线性回归问题。

 

代码：

clear
clc
A=xlsread('youcai.xlsx','B2:E14');
B=xlsread('youcai.xlsx','F2:F14');
x1=log(A(:,2));
x2=log(A(:,3));
x3=log(A(:,4));
xa=cat(2,x1,x2,x3);
xb=cat(2,x1,x2,B);
x=cat(2,xa,B);
y=log(A(:,1));
stats=reglm(y,x,'linear');

------------------------------------方差分析表------------------------------------
方差来源    自由度            平方和             均方             F值          p值
回归       4.0000           2.1179           0.5295        138.7729      0.0000
残差       8.0000           0.0305           0.0038
总计      12.0000           2.1484

       均方根误差(Root MSE)         0.0618           判定系数(R-Square)    0.9858
 因变量均值(Dependent Mean)         4.8545        调整的判定系数(Adj R-Sq)    0.9787

-----------------------------------参数估计-----------------------------------
      变量               估计值            标准误             t值          p值
     常数项              0.9026           2.1418           0.4214      0.6846
        X1              0.2412           0.1020           2.3652      0.0456
        X2              1.3529           0.6549           2.0656      0.0727
        X3             -0.8592           0.6563          -1.3091      0.2269
        X4             -0.0058           0.0324          -0.1804      0.8613

F检验中p值<0.1

结论：t,lnK,lnS,lnL中至少有一个与lnY的关系显著。

t检验中x4的p值最大

结论：x4也就是t与y的关系最不显著，，所以要剔除变量x4。

 

去除x4后：

stats=reglm(y,xa,'linear');

------------------------------------方差分析表------------------------------------
方差来源    自由度            平方和             均方             F值          p值
回归       3.0000           2.1178           0.7059        207.3037      0.0000
残差       9.0000           0.0306           0.0034
总计      12.0000           2.1484

       均方根误差(Root MSE)         0.0584           判定系数(R-Square)    0.9857
 因变量均值(Dependent Mean)         4.8545        调整的判定系数(Adj R-Sq)    0.9810

-----------------------------------参数估计-----------------------------------
      变量               估计值            标准误             t值          p值
     常数项              0.6976           1.7154           0.4067      0.6937
        X1              0.2337           0.0881           2.6534      0.0263
        X2              1.2416           0.2082           5.9625      0.0002
        X3             -0.7529           0.2733          -2.7543      0.0223

常数没有通过检验，但在统计模型中不要轻易去掉常数。

可得回归方程：

 

用逐步回归再做一遍：

inmodel=1:3;
stepwise(x,y,inmodel);

图中的逐步回归过程也是将x4忽略了。

 

但是，实际上，x3和x4去掉哪一个都可以。

>> [xs,p]=corrcoef(x)

xs =

    1.0000    0.9565    0.9267    0.9020
    0.9565    1.0000    0.9420    0.9472
    0.9267    0.9420    1.0000    0.7979
    0.9020    0.9472    0.7979    1.0000


p =

    1.0000    0.0000    0.0000    0.0000
    0.0000    1.0000    0.0000    0.0000
    0.0000    0.0000    1.0000    0.0011
    0.0000    0.0000    0.0011    1.0000

由图中可得x3与x4之间存在线性关系，所以也可以忽略x3，保留x4。

stats=reglm(y,xb,'linear');

------------------------------------方差分析表------------------------------------
方差来源    自由度            平方和             均方             F值          p值
回归       3.0000           2.1114           0.7038        170.9072      0.0000
残差       9.0000           0.0371           0.0041
总计      12.0000           2.1484

       均方根误差(Root MSE)         0.0642           判定系数(R-Square)    0.9827
 因变量均值(Dependent Mean)         4.8545        调整的判定系数(Adj R-Sq)    0.9770

-----------------------------------参数估计-----------------------------------
      变量               估计值            标准误             t值          p值
     常数项             -1.4450           1.2166          -1.1878      0.2653
        X1              0.1785           0.0935           1.9086      0.0887
        X2              0.5637           0.2659           2.1199      0.0630
        X3              0.0322           0.0148           2.1716      0.0580

可得回归方程：

这个模型存在着高度的多重共线，模型还是属于病态模型。