多元线性回归模型

数学建模包括统筹优化类模型，评价决策类模型，启发式算法，预测控制类模型，其中预测控制类数学模型包括：

1.灰色模型预测

2.回归分析预测

3.微分方程预测

4.时间序列预测

5.bp神经网络

做题过程中都可能遇到多个准则的问题，比如2017全国大学生数学建模竞赛c题中的5种颜色读数和物质浓度之间的关系（多个系数，建立多元线性回归模型）。

首先，要对多元线性回归模型进行整体性检验，看因变量和自变量之间的线性关系在总体上是否线性显著。

1.用matlib进行F检验法，若F>=Fa,拒绝H0，否则，接受H0

2.用matlib算复相关系数检验法，通常R>=0.8才认为先关关系成立。

1. 散点图分析： 绘制因变量与各个自变量之间的散点图，观察是否呈现出线性的趋势。如果散点图显示出大致的线性关系，那么就可能存在线性关系。

2. 

3. 残差图分析： 在建立模型后，绘制模型的残差图（实际观测值与预测值之间的差异），观察残差是否随机分布在零线附近。如果残差图呈现出明显的非线性模式，可能表明数据不具有线性关系。

   

4. 部分回归图： 绘制部分回归图，展示某个自变量与因变量之间的关系，同时控制其他自变量的影响。这有助于检测特定自变量与因变量之间的线性关系。

5. 相关系数矩阵： 计算各个自变量与因变量之间的相关系数，观察是否有较强的线性相关性。

   

6. 变量变换： 如果发现数据不具有线性关系，可以尝试进行变量变换，如对数变换、平方根变换等，来改善数据的线性性质。