matlab 多元回归分析 regress、 nlinfit 、stepwise函数

 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)

    其中因变量数据向量y和自变量数据矩阵x按以下排列方式输入

    对一元线性回归，取k=1即可。alpha为显著性水平(缺省时设定为0.05)，输出向量b，bint为回归系数估计值和它们的置信区间，r，rint为残差及其置信区间，stats是用于检验回归模型的统计量，有四个数值，第一个是R2，其中R是相关系数，第二个是F统计量值，第三个是与统计量F对应的概率P，第四个是 an estimate of the error variance（一个错误的方差估计）。

stats参数解释如下：

R2表示方差解释率，R2越接近1说明数据拟合程度越好。

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。

多元回归分析中的问题

1.regress拟合的效果主要看哪些指标？

答：r平方是模型能解释变异的多少 越大越好。

还要对多元线性回归方程的假设检验

包括：㈠ 模型检验和㈡ 偏回归系数检验:

至于如何剔除不显著项，这个有明确的指标：

多元线性回归方程中当涉及的自变量较多时，这些自变量可能并不是全部都对应变量有显著影响，同时有些自变量之间也可能相关的。通常情况下，我们希望将有统计学意义的自变量引入回归方程，以使方差更加简单，容易解释；更重要的是把不显著的自变量排除后可以使残差的均方减小，有理由揭示其他自变量的作用。为此可以使用三种变量筛选方法：

1.向后法(backward selection):

2.向前法(forward selection): 

3.逐步法（stepwise selection）：

现在大家主要做的就是3.逐步法（stepwise selection）。具体来说太多了 建议你找本统计书看看。做很简单 但是模型效果评价和其他参数的理解才是真正的关键。