matlab 多元线性回归

概述

根据图形（实际点），选配一条恰当的函数形式（类型）---需要数学理论与基础和经验。（并写出该函数表达式的一般形式，含待定系数）------选用某条回归命令求出所有的待定系数。所以可以说，回归就是求待定系数的过程（需确定函数的形式）

1、[b,bint,r,rint,s]=regress(y,X,alpha)或者regress(y,x)

输入 y :因变量（列向量） X:自变量组成的矩阵，并且x要在最前面额外添加全1列/对应于常数项alpha:显著性水平（缺省时定位0.05，即置信水平95%，alpha不影响b,只影响bint(区间估计)。它越小，即置信度越高，则bint范围越大。显著水平越高，则区间就越小）

输出：b：多元线性回归方程的各个系数（含常数项，第一项为常数项）bint:b的置信区间（回归系数的区间估计） r：残差(列向量)rint:r的置信区间 stats:用于检验回归模型的统计量，有四个数值：相关系数r2、F值、与F对应的概率p和残差的方差（前两个越大越好，后两个越小越好）

2、rcplot(r.rint)

残差分析，作残差图

如下图：

每条线长度表示的是置信区间，小圆圈代表残差点。

残差图中红色线条表示异常点，应剔除再次进行绘图 

从残差图可以看出，除第二个和第十个数据外，其余数据的残差离零点均较近，且残差的置信区间均包含零点，这说明回归模型能较好的符合原始数据，而这两个数据可视为异常点(而剔除)

3、实例分析

如线性回归模型 y=b0+b1X1+b2X2+b3X3+e

回归系数 b0-b3，由数据估计，e是随机误差

y=b0+b1X1+b2X2+b3X3+b4X4+b5X5+b6X6+e1 

y=[144 215 138 145 162 142 170 124 158 154 162 150 140 110 128130 135 114 116 124 136 142 120 120 160 158 144 130 125 175];

x1=[39 47 45 47 65 46 67 42 67 56 64 56 59 34 42 48 45 18 2019 36 50 39 21 44 53 63 29 25 69];

x2=[24.2 31.1 22.6 24.0 25.9 25.1 29.5 19.7 27.2 19.3 28.025.8 27.3 20.1 21.7 22.2 27.4 18.8 22.6 21.5 25.0 26.2 23.5 20.327.1 28.6 28.3 22.0 25.3 27.4];  

x3=[0     1    0    1     1    0    1     0    1    0     1    0    0     0    0    1     0    0    0 ...

0     0    1     0    0    1     1    0    1     0    1];

X=[ones(16,1), x1',x2',x3'];%ones(16,1) 添加常数列

[b,bint,r,rint,stats]=regress(y',X);

b,bint,stats

rcoplot(r,rint)

4、检验

怎么对多元线性回归模型的回归系数β做t检验和F检验？

进行多元线性回归统计数F, t 测验的小程序：

clear,clc

x=rand(50,10);y=rand(50,1); % example

[n,k]=size(x);

X=[ones(n,1),x];%构建结构阵X，

A=X'*X; %求算信息阵A，

C=inv(A); %求算信息阵的逆阵，

b=X\y, % 求算回归统计数向量，其中第一行为回归截距a,

RSS=y'*y-b'*X'*y, %求算离回归平方和，

MSe=RSS/(n-k-1),%求算离回归方差，

Up=b.*b./diag(C);%求算偏回归平方和，其中第一行是a与0差异的偏平方和，

F=Up/MSe,%F测验，其中第一行为a与0差异的F值，

sb=sqrt(MSe*diag(C)); %求算回归统计数标准误，

t=b./sb, % 回归统计数的 t 测验，其中第一行为a与0差异的t测验值。

[t, t.^2, F],%验证t^2=F

SSy=var(y)*(n-1)

R2=(SSy-RSS)/SSy

注：r^2(决定系数)越大（接近于1），它们之间的关系越密切，拟合的效果越好。当然，对于复杂的多变数非线性关系的分析，统计上应以离回归方差（MSe）最小为佳。MSe=RSS/(n-k-1),RSS为离回归平方和，n为观察值组数，k为模型的效应项数（不包括常数项）。

部分摘自网络