回归分析与Matlab实现

一元回归

建议使用Matlab自带的cftool工具，可以较好的拟合二维和三维数据。
cftool的使用

线性回归

一元线性回归

regress（）函数主要用于线性回归，一元以及多元的。它可以提供更多的信息，残差之类的。polyfit（）函数是利用多项式拟合。可以是线性也可以是非线性的。

regress函数

[B,BINT,R,RINT,STATS] = regress(Y,X)
参数解释：

• B：回归系数，是个向量（“the vector B of regression coefficients in the linear model Y = X*B”）。
• BINT：回归系数的区间估计（“a matrix BINT of 95% confidence intervals for B”）。
• R：残差（ “a vector R of residuals”）。
• RINT：置信区间（“a matrix RINT of intervals that can be used to diagnose outliers”）。
• STATS：用于检验回归模型的统计量。有4个数值：判定系数R^2，F统计量观测值，检验的p的值，误差方差的估计。
  ALPHA：显著性水平（缺少时为默认值0.05）。

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]';
[b,bint,r,rint,stats]=regress(Y,X,0.05);
%

b = [-16.0730 ,0.7194]
bint=[-33.7071 1.5612
0.6047 0.8340 ]
stats=[0.9282 180.9531 0.0000 1.7437]
(判定系数R^2，F统计量观测值，检验的p的值，误差方差的估计)

利用rcoplot(r,rint)可以观察残差的分布图。观察所得残差分布图,看到第2个数据的残差置信区间不含零点,此点视为异常点,剔除后重新计算。

删除后重新计算，可以发现置信区间缩小；R2、F变大，所以应该采用修改后的结果。

polyfit函数

[p,s] = polyfit(x,y,degree)即可。

多元线性回归

regress函数

之前所讲是一元的，如果是多元就增加X的行数！
b =regress( Y, X，p )其中：

非线性拟合

nlinfit()

非线性拟合

逐步回归

stepwise()