1.多元线性回归
在Matlab统计工具箱中使用命令regress()实现多元线性回归,调用格式为
b=regress(y,x)
或
[b,bint,r,rint,statsl = regess(y,x,alpha)
F统计量用于检验模型是否通过检验。通过查F分布表,如果F>F分布表中对应的值,则通过检验。
P为F 统计量对应的概率,越接近0越好,当P<α时拒绝H0,回归模型成立!!!
第4个参数不知何用
画出残差及其置信区间,用命令rcoplot(r,rint)
2.非线性回归
非线性回归可由命令nlinfit来实现,调用格式为
[beta,r,j] = nlinfit(x,y,'model’,beta0)
其中,输人数据x,y分别为n×m矩阵和n维列向量,对一元非线性回归,x为n维列向量model是事先用 m-文件定义的非线性函数,beta0是回归系数的初值, beta是估计出的回归系数,r是残差,j是Jacobian矩阵,它们是估计预测误差需要的数据。
预测和预测误差估计用命令
[y,delta] = nlpredci(’model’,x,beta,r,j)3.逐步回归
逐步回归的命令是stepwise,它提供了一个交互式画面,通过此工具可以自由地选择变量,进行统计分析。调用格式为:
stepwise(x,y,inmodel,alpha)
其中x是自变量数据,y是因变量数据,分别为n×m和n×l矩阵,inmodel是矩阵的列数指标(缺省时为全部自变量),alpha,为显著性水平(缺省时为0.5)
结果产生三个图形窗口,在stepwise plot窗口,虚线表示该变量的拟合系数与0无显著差异,实线表示有显著差异,红色线表示从模型中移去的变量;绿色线表明存在模型中的变量,点击一条会改变其状态。在stepwise Table窗口中列出一个统计表,包括回归系数及其置信区间,以及模型的统计量剩余标准差(RMSE),相关系数 (R-square),F值和P值。