7月26日MATLAB学习记录

一、多元回归
先上练习代码

clc;clear;
%数据准备
x1=[3.5,5.3,5.1,5.8,4.2,6.0,6.8,5.5,3.1,7.2,4.5,4.9,8.0,6.5,6.5,3.7,6.2,7.0,4.0,4.5,5.9,5.6,4.8,3.9];
x2=[9,20,18,33,31,13,25,30,5,47,25,11,23,35,39,21,7,40,35,23,33,27,34,15];
x3=[6.1,6.4,7.4,6.7,7.5,5.9,6.0,4.0,5.8,8.3,5.0,6.4,7.6,7.0,5.0,4.0,5.5,7.0,6.0,3.5,4.9,4.3,8.0,5.0];
Y=[33.2,40.3,38.7,46.8,41.4,37.5,39.0,40.7,30.1,52.9,38.2,31.8,43.3,44.1,42.5,33.6,34.2,48.0,38.0,35.9,40.4,36.8,45.2,35.1];
subplot(1,3,1),plot(x1,Y,'g*')%subplot函数的用法
subplot(1,3,2),plot(x2,Y,'k+')
subplot(1,3,3),plot(x3,Y,'ro');
%用regress函数多元回归
n=24;
X=[ones(n,1),x1',x2',x3'];
[b,bint,r,rint,s]=regress(Y',X,0.05)%注意参数1和参数2的位置，参数3位显著性水平alpha，缺省时默认为0.5

运行结果如下：





知识点：
1.subplot函数：
本例中用得到subplot(m,n,p),含义为把一个图窗分为m*n个区域，m为行，n为列，而p为在第p个区域下建立一个坐标区，编排顺序为从第一行开始1,2,3…换行继续计数。
2.regress函数在多元回归中的使用
首先对自变量矩阵的构造来说，第一列ones（n,1）为常数列，意味着回归方程中有一个常数项，其余列则是有关多个自变量的多项式，可参考文章
regress函数的使用详解
至于返回的参数，首先b为回归系数，顺序和自变量矩阵中的排列顺序一致，而bint为回归系数的置信区间；然后r为残差，rint为残差的置信区间，s则包含四个统计量：决定系数R^2、F值、F（1，n-2）分布大于F值的概率、剩余方差s ^2。

对模型的判断：回归系数置信区间不包含零点表示模型较好，残差在零点附近也表示模型较好，借着就是利用检验统计量R、F、p的值判断该模型是否可用：

①相关系数R的评价：本例中R为0.9542，表示线性相关性较强
②F检验：略，见MATLAB数模方法与实践P54
③p值检验：p<α（显著性水平），则说明因变量y与自变量x1，x2，…，xm之间有显著的线性相关关系。

注意regress函数参数中自变量和因变量的位置！！！