matlab分段线性回归分析,多重线性回归分析的matlab实现

该博客介绍了如何在MATLAB中进行分段线性和多重线性回归分析。通过reglm函数,用户可以执行线性、交互作用、二次和纯二次模型的回归,并查看方差分析表和统计诊断。文中提供了具体的示例代码,展示了如何应用reglm函数进行二次模型的回归分析。
摘要由CSDN通过智能技术生成

function stats = reglm(y,X,model,varnames)

% 多重线性回归分析或广义线性回归分析

%

% reglm(y,X),产生线性回归分析的方差分析表和参数估计结果,并以表格形式显示在屏幕上. 参

% 数X是自变量观测值矩阵,它是n行p列的矩阵. y是因变量观测值向量,它是n行1列的列向量.

%

% stats = reglm(y,X),还返回一个包括了回归分析的所有诊断统计量的结构体变量stats. %

% stats = reglm(y,X,model),用可选的model参数来控制回归模型的类型. model是一个字符串,

% 其可用的字符串如下

% 'linear' 带有常数项的线性模型(默认情况)

% 'interaction' 带有常数项、线性项和交叉项的模型

% 'quadratic' 带有常数项、线性项、交叉项和平方项的模型

% 'purequadratic' 带有常数项、线性项和平方项的模型

%

% stats = reglm(y,X,model,varnames),用可选的varnames参数指定变量标签. varnames

% 可以是字符矩阵或字符串元胞数组,它的每行的字符或每个元胞的字符串是一个变量的标签,它的行

% 数或元胞数应与X的列数相同. 默认情况下,用X1,X2,…作为变量标签.

%

% 例:

% x = [215 250 180 250 180 215 180 215 250 215 215

% 136.5 136.5 1

线 性回归分析是一种重要的预测方法,目前已经广泛的应用于各种领域,在统 计学,线性回归模型(Linear Regression Model,LRM)是利用称为线性回归方程的 最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。 在国内的金融市场,当我们在对市场未来发展情况进行预测时,若能将影响市 场预测对象的主要因素找到,并且能够取得其数量数据,就可以采用线性回归分 析进行预测。它是一种可行的且实用价值很高的常用金融市场预测方法。一般而 言,回归分析模型有多种类型。依据自变量个数不同,可分为简单回归模型和多 元回归模型。在简单回归模型,自变量只有一个,而在多元回归模型,自变 量有两个以上。依据自变量和因变量之间的相关关系不同,又可分为线性回归模 型和非线性回归模型。 使用线性回归模型分析属于一般常态分布之数据,可获的理想的分析与预测 结果,但是在现实的数据往往隐含了一些极端值之数据,而这些极端值之数据是 研究社会科学的研究者所关注的对象,倘若使用线性回归模型以其平均值的概念 来概括这些极端值,会使得研究结果失真。然而,目前解决极端值之数据之模型, 大多采用(Koenker,1978)的分量回归模型且有许多相关文献可参考,但是分位数 的概念对于一般人而言较陌生,并且分位数回归模型较线性回归模型复杂不易理 解。因此,本书作者潘文超(Pan, 2017)教授在国际 SSCI 期刊” EURASIA Journal of Mathematics Science and Technology Education”第 13 卷第 8 期发表篇名为” A Newer Equal Part Linear Regression Model: A Case Study of the Influence of Educational Input on Gross National Income”,另外提出一种新的回归方法,本书 称之为”等分线性回归模型”(Equal Part Linear Regression Model, EPLRM),做法是将 数据以若干等分方式进行线性回归建模,如此便可以独立观察每一等分的模型趋 势,并且与一般线性回归做比较,目前已经有相关文献(Zhong, 2017;Deng, 2017)。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值