数模利用Matlab和SPSS软件进行线性回归分析概要.doc

§3.利用Matlab和SPSS进行线性回归分析 回归分析是处理两个及两个以上变量间线性依存关系的统计方法。1）[b,bint,r,rint,stats]=regress(y,x)，其中b是回归方程中的参数估计值，bint是b的置信区间，r和rint分别表示残差及残差对应的置信区间。stats包含三个数字，分别是相关系数，F统计量及对应的概率p值。 （2）recplot(r,rint)作残差分析图。 （3）rstool(x,y)一种交互式方式的句柄命令。 以下通过具体的例子来说明。 例，现有多个样本的因变量和自变量的数据，下面我们利用Matlab，通过回归分析建立两者之间的回归方程。 % 一元回归 x=[1097 1284 1502 1394 1303 1555 1917 2051 2111 2286 2311 2003 2435 2625 2948 3, 55 3372];%因变量时间序列数据 y=[698 872 988 807 738 1025 1316 1539 1561 1765 1762 1960 1902 2013 2446 2736 2825];%自变量时间序列数据 X=[ones(size(x)),x],pause [b,bint,r,rint,stats]=regress(y,X,0.05),pause%调用一元回归分析函数 rcoplot(r,rint)%画出在置信度区间下误差分布。 % 多元回归分析 % 输入各种因变量数据 x1=[5.5 2.5 8 3 3 2.9 8 9 4 6.5 5.5 5 6 5 3.5 8 6 4 7.5 7]; x2=[31 55 67 50 38 71 30 56 42 73 60 44 50 39 55 70 40 50 62 59]; x3=[10 8 12 7 8 12 12 5 8 5 11 12 6 10 10 6 11 11 9 9]; x4=[8 6 9 16 15 17 8 10 4 16 7 12 6 4 4 14 6 8 13 11]; %输入自变量数据 y=[79.3 200.1 163.1 200.1 146.0 177.7 30.9 291.9 160 339.4 159.6 86.3 237.5 107.2 155 201.4 100.2 135.8 223.3 195]; X=[ones(size(x1)),x1,x2,x3,x4]; [b,bint,r,rint,stats]=regress(y,X)%回归分析 Q=r*r sigma=Q/18 rcoplot(r,rint);pause X1=[x1,x2,x3,x4]; stepwise(X1,y,[1,2,3])%逐步回归 % X2=[ones(size(x1)),x2,x3]; % X3=[ones(size(x1)),x1,x2,x3]; % X4=[ones(size(x1)),x2,x3,x4]; % [b1,b1int,r1,r1int,stats1]=regress(y,X2) % [b2,b2int,r2,r2int,stats2]=regress(y,X3); % [b3,b3int,r3,r3int,stats3]=regress(y,X4); x=[143 145 146 147 149 150 153 154 155 156 157 158 159 160 162 164]; X=[ones(16,1) x]; Y=[88 85 88 91 92 93 93 95 96 98 97 96 98 99 100 102]; [b,bint,r,rint,stats]=regress(Y,X) rcoplot(r,rint) 基于Matlab软件回归及其残差、交互验证分析 Matlab ??2009-10-07 12:05 ?? 阅读8??? 评论0 字号： 大大 中中 小小 %读取数据cs=load(d:/lee0921/cl.txt)%回归分析y=cs(:,2);%x=[ones(size(cs(:,3))),cs(:,3)];%包含常数项x=cs(:,3);alpha=0.05;%[b,bint,r,rint] = regress(y,x,alpha)%这里X需要人工加入常数项%b为回归系数、bint为回归系数置信区间、r为残差、rint为残差置信区间、stats为R^2、F、F显著性概率、误差项方差估计stats = regstats(y,x);%给出回归常用统计量%regstats(y,X2)%给出回归常用统计量调出交互式对话框%绘制散点图及其回归曲线plot(