线性回归与非线性回归

相关关系问题

在现实问题中，处于同一过程中的一些变量，往往是相互依赖和相互制约的，他们之间的相互关系大致可以分为两种：

1. 确定性关系——函数关系

2. 非确定性关系——相关关系

相关关系表现为这些变量之间有一定的依赖关系，但这种关系并不完全确定，他们之间的关系不能精确的用函数表示出来，这些变量其实是随机变量，或至少有一个是随机变量。

回归分析的内容

1. 提供建立有相关关系的变量之间的数学关系式（称为经验公式）的一般方法

2. 判断所建立的经验公式是否有效，并从影响随机变量的诸变量中判别哪些变量的影响是显著的，哪些是不显著的（重要）

3. 利用经验公式进行预测和控制

一元线性回归

任务：

1. 用试验值（样本值）对参数作点估计

2. 对回归系数作假设检验

3. 在x = x0 处对y作预测，对y作区间估计

matlab：[b,bint,r,rint,stats] = regress(Y,X)

b：参数

bint：参数的置信区间的范围

r：残差

rint：残差的置信区间的范围

stats：r方，f值，p_value值（p_value值<0.05就认为是显著的，即存在线性关系）

残差分析，作残差图 

matlab：rcoplot(r,rint)

从残差图可以看出，除第二个数据外，其余数据，且残差的置信区间包含零点，这说明回归模型能较好地符合原始数据，第二个数据可视为异常点

多项式回归

r语言：fit1 = lm(y-x，data=xxx)，fit2 = lm(y-x+I(x^2)，data=xxx）

            summary(fit1)

            plot(fit1)\

多元回归

相关关系：cor(xxx)

热图：heatmap(cor(xxx))

非线性回归

1. 根据已知的数据绘制散点图，以此分析出数据的变换趋势，进而确定回归模型

2. 再根据确定的回归模型估计参数，matlab与r语言方法略有不同

matlab:

散点图：scatter(x,y,'filled')

求出回归系数：建立一个m文件，定义回归模型

function yhat = modelfun(beta,x)
    yhat = beta(1)*x.^beta(2);

利用函数: [beta,r,j] = nlinfit(x',y'@modelfun,beta0)，其中beta0是回归函数中参数的初值，事先需要定义，可以通过一两个点大概寻找beta(0),beta(1)的值，直接设为0也是ok的，返回值一个是beta，是参数的估计值，另一个是r也就是残差

betaci = nlparci(beta,r,j) 该函数求出beta的置信区间，不包含零点则说明是显著的

预测值（估计值）：YY = nlpredci('modelfun',x',beta,r,j) j是雅可比矩阵可以不用管他

逻辑回归

适用于二值型变量