Matlab一元非线性回归分析

Matlab一元非线性回归分析的分析步骤与一元线性回归分析的步骤类似：

大体分为以下几步：

（1）绘制x,y的散点图，分析散点图的走势；

（2）根据散点图的走势，确定回归方程的具体形式，特别是参数个数的设定和设定初始值；

（3）调用NonLinearModel的fit方法进行模型拟合；

（4）模型改进，去除异常值的操作；

（5）进行残差分析，验证模型。

下面以某商品的数量与定价为例，进行实例展示；

（1）绘制x,y的散点图，分析散点图的走势；

[data,y0]=xlsread('C:\Users\箫韵\Desktop\Matlab数理与统计分析\exdata\test1',3);
x=data(:,2);%提取列数据自变量数据
y=data(:,3);%提取列数据因变量数据
figure;
plot(x,y,'ko');%绘制散点图
xlabel('数量');
ylabel('价格');

                                         图1 散点图

（2）根据散点图的走势，确定回归方程的具体形式，特别是参数个数的设定和设定初始值；

%建立一元非线性回归方程
% yi=f(xi;b1,b2)+ai
% ai~N(0,aa^2),i=1,2,..n
price=@(beta,x)beta(1)./(1-beta(2)*x);%根据散点图趋势建立方程f(x)=b1./(1-b2*x),方程形式并不唯一。
beta0=[120,0.008];%beta0为b1,b2的初始值。根据x的取值范围，x在22与40之间，y>0，故需b2<0.25。

                            %根据y值是84到280的不等分布，主要集中在110到130，故b1取值120较合适，根据方程，b2取0.008即可。
opt=statset;%创建结构体变量类
opt.Robust='on';%开启回归稳健性方法
nlm1=NonLinearModel.fit(x,y,price,beta0,'Options',opt);
%y=41.459./(1-0.02213*x)

（3）调用NonLinearModel的fit方法进行模型拟合；

xnew=linspace(20,40,50)';%取50个x的值在20到40之间
ynew=nlm1.predict(xnew);%进行ynew预测
figure;
plot(x,y,'ko');
hold on;
plot(xnew,ynew,'linewidth',2.5);
xlabel('数量');
ylabel('价格');
legend('原始数据散点','非线性回归曲线');

                                              图2 模型拟合效果

（4）模型改进，去除异常值的操作；

异常值的诊断。NonlinearModel类对象的Residuals属性值中有标准化残差和学生化残差值。这里通过学生化残差查询异常值
Res2=nlm1.Residuals;
Res_Stu2=Res2.Studentized;
id2=find(abs(Res_Stu2)>2);
%properties(nlm1);%可以查询nlm1的属性

%去除异常值重新构建回归模型
nlm2=NonLinearModel.fit(x,y,price,beta0,'Exclude',id2,'options',opt);
%y=41.394./(1-0.22195*x)

xnew=linspace(20,40,50)';
y1=nlm1.predict(xnew);
y2=nlm2.predict(xnew);
figure;
plot(x,y,'ko');
hold on;
plot(xnew,y1,'r--','linewidth',2);
plot(xnew,y2,'b.','linewidth',2);
xlabel('数量');
ylabel('价格');
legend('原始数据散点','回归曲线','去除异常值后的回归曲线');

                           图3 去除异常值与未去除异常值的拟合对比

（5）进行残差分析，验证模型。

调用的是NonLinearModel类中的plotResiduals方法。残差分析有比较多的方法，这里以残差直方图和残差正态概率图为例。

%回归诊断
figure;
subplot(1,2,1);
nlm1.plotResiduals('histogram');
title('(a)残差直方图');
xlabel('残差r');
ylabel('f(r)');
subplot(1,2,2);
nlm1.plotResiduals('probability');
title('(b)残差正态概率图');
xlabel('残差');
ylabel('概率');

                                             图4 残差直方图和残差正态概率图

原始数据

order	数量	价格
1	25	89
2	28	108
3	26	115
4	23	99
5	26	109
6	32	124
7	35	210
8	30	126
9	34	132
10	29	110
11	33	135
12	36	226
13	34	136
14	36	220
15	36	208
16	30	125
17	32	146
18	30	129
19	35	140
20	29	116
21	31	123
22	32	126
23	28	135
24	36	208
25	40	240
26	28	125
27	29	113
28	36	208
29	32	135
30	38	267
31	40	225
32	38	278
33	28	118
34	32	124
35	34	146
36	36	208
37	30	111
38	29	115
39	36	208
40	29	123
41	25	110
42	29	135
43	26	123
44	23	99
45	26	125
36	35	180
37	35	178
38	35	175
39	35	176
40	35	180
41	35	178
42	34	175
43	35	168
44	35	167
45	34	179
43	31	129
44	31	121
45	31	125