多元线性回归算法（matlab）

1、模型

2、回归模型的假设检验

3、matlab编程

[b,bint,r,rint,stats]=regress(Y,X,alpha)

b：回归系数点估计
bint：回归系数区间估计
r:残差
rint:置信区间
stats:用于检验的统计量，有三个数值，相关系数r^2，F值，与F对应的概率p
alpha:显著性水平(缺省时为0.05）
说明：相关系数r^2越接近1，说明回归方程越显著；
F越大，说明回归方程越显著
与F对应的概率p<a(显著性水平），回归模型成立。

画出残差及其置信区间：

rcoplot(r,rint)

例

1.输入数据:

>>x=[143 145 146 147 149 150 153 154 155 156 157 158 159 160 162 164]';

>>X=[ones(16,1) x];

>>Y=[88 85 88 91 92 93 93 95 96 98 97 96 98 99 100 102]';

2.回归分析及检验:

[b,bint,r,rint,stats]=regress(Y,X)

结果：

b =
 
  -16.0730
    0.7194
 
 
bint=
 
  -33.7071   1.5612
    0.6047   0.8340
 
 
r =
 
    1.2056
   -3.2331
   -0.9524
    1.3282
    0.8895
    1.1702
   -0.9879
    0.2927
    0.5734
    1.8540
    0.1347
   -1.5847
   -0.3040
   -0.0234
   -0.4621
    0.0992
 
 
rint=
 
   -1.2585   3.6697
   -5.0755  -1.3907
   -3.6086   1.7037
   -1.3085   3.9649
   -1.8718   3.6508
   -1.5750   3.9153
   -3.7915   1.8157
   -2.5680    3.1534
   -2.2676   3.4144
   -0.7730   4.4811
   -2.7019   2.9713
   -4.2379   1.0686
   -3.0911   2.4831
   -2.7860   2.7392
   -3.1326   2.2084
   -2.4826   2.6810
 
 
stats=
 
    0.9282 180.9531    0.0000    1.7437
 

3.结果分析：

多元回归模型：y=-16.0730+0.7194x

β0的置信区间：【-33.7071  ，1.5612】，β1的置信区间：【0.6047   ，    0.8340】

1.相关系数r^2是0.9282（趋近于1，显著性水平较高）
2.F值是180.9531（因为x共16个数据，自由度n-2为14，对照t(n)表，找到数据t（1，14）是4.60，而180.9531远大于4.60，所以完全有理由拒绝不显著的假设，即我们这个模型是显著的

3.与F对应的概率p是0.0000<显著性水平0.05，所以回归模型成立

4.做残差图：rcoplot(r,rint)

从残差图可以看出，除第二个数据外，其余数据的残差离零点均较近，且残差的置信区间均包含零点，这说明回归模型y=-16.073+0.7194x能较好的符合原始数据，而第二个数据可视为异常点.

4.预测及作图

z=b(1)+b(2)*x;
plot(x,Y, 'k+',x, z, 'r' )

例题来源

25 回归分析算法基本原理及编程实现_哔哩哔哩_bilibili