回归分析-课件

,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,回归分析,撰写：刘伟 董小刚 林玎,制作：李慧玲 李刚健,吉林建工学院基础科学系,11/19/2024,1,回归分析 撰写：刘伟 董小刚 林玎 10/5/20231,实验目的,实验内容,2、掌握用数学软件求解回归分析问题。,1、直观了解回归分析基本内容。,1、,回归分析的基本理论,。,3、,实验作业。,2、,用数学软件求解回归分析问题。,11/19/2024,2,实验目的实验内容2、掌握用数学软件求解回归分析问题。1、直观,一元线性回归,多元线性回归,回归分析,数学模型及定义,*,模型参数估计,*,检验、预测与控制,可线性化的一元非线,性回归（曲线回归,）,数学模型及定义,*,模型参数估计,*多元线性回归中的,检验与预测,逐步回归分析,11/19/2024,3,一元线性回归多元线性回归回归分析数学模型及定义*模型参数估计,一、数学模型,例1,测16名成年女子的身高与腿长所得数据如下：,以身高x为横坐标，以腿长y为纵坐标将这些数据点（x,I,，y,i,）在平面直角坐标系上标出.,散点图,解答,11/19/2024,4,一、数学模型例1 测16名成年女子的身高与腿长所得数据如下：,一元线性回归分析的,主要任务,是：,返回,11/19/2024,5,一元线性回归分析的主要任务是：返回10/5/20235,二、模型参数估计,1、回归系数的最小二乘估计,11/19/2024,6,二、模型参数估计1、回归系数的最小二乘估计10/5/2023,其中,=,=,=,=,n,i,i,n,i,i,y,n,y,x,n,x,1,1,1,1,，,=,=,=,=,n,i,i,i,n,i,i,y,x,n,xy,x,n,x,1,1,2,2,1,1,.,11/19/2024,7,其中=niiniiynyxnx111,1，=,返回,11/19/2024,8,返回10/5/20238,三、检验、预测与控制,1、回归方程的显著性检验,11/19/2024,9,三、检验、预测与控制1、回归方程的显著性检验10/5/202,（）F检验法,（）t检验法,11/19/2024,10,（）F检验法 （）t检验法10/5/202310,（）r检验法,11/19/2024,11,（）r检验法10/5/202311,2、回归系数的置信区间,11/19/2024,12,2、回归系数的置信区间10/5/202312,3、预测与控制,（1）预测,11/19/2024,13,3、预测与控制（1）预测10/5/202313,（2）控制,返回,11/19/2024,14,（2）控制返回10/5/202314,四、可线性化的一元非线性回归,（曲线回归）,例2,出钢时所用的盛钢水的钢包，由于钢水对耐火材料的侵蚀，,容积不断增大.我们希望知道使用次数与增大的容积之间的关,系.对一钢包作试验，测得的数据列于下表：,解答,11/19/2024,15,四、可线性化的一元非线性回归例2 出钢时所用的盛钢水的钢包，,散,点,图,此即,非线性回归,或,曲线回归,问题,（,需要配曲线,）,配曲线的一般方法是：,11/19/2024,16,散此即非线性回归或曲线回归 问题（需要配曲线）配曲,通常选择的六类曲线如下：,返回,11/19/2024,17,通常选择的六类曲线如下：返回10/5/202317,一、数学模型及定义,返回,11/19/2024,18,一、数学模型及定义返回10/5/202318,二、模型参数估计,11/19/2024,19,二、模型参数估计10/5/202319,返回,11/19/2024,20,返回10/5/202320,三、多元线性回归中的检验与预测,（）F检验法,（,）r检验法,(,残差平方和）,11/19/2024,21,三、多元线性回归中的检验与预测 （）F检验法（）r检验法,2、预测,（1）点预测,（2）区间预测,返回,11/19/2024,22,2、预测（1）点预测（2）区间预测返回10/5/202322,四、逐步回归分析,（4）“有进有出”的逐步回归分析。,（1）从所有可能的因子（变量）组合的回归方程中选择最优者；,（2）从包含全部变量的回归方程中逐次剔除不显著因子；,（3）从一个变量开始，把变量逐个引入方程；,选择“最优”的回归方程有以下几种方法：,“最优”的回归方程,就是包含所有对Y有影响的变量, 而不包含对Y影响不显著的变量回归方程。,以第四种方法，即,逐步回归分析法,在筛选变量方面较为理想.,11/19/2024,23,四、逐步回归分析（4）“有进有出”的逐步回归分析。（1）从所,这个过程反复进行，直至既无不显著的变量从回归方程中剔除，又无显著变量可引入回归方程时为止。,逐步回归分析法,的思想：,从一个自变量开始，视自变量Y作用的显著程度，从大到地依次逐个引入回归方程。,当引入的自变量由于后面变量的引入而变得不显著时，要将其剔除掉。,引入一个自变量或从回归方程中剔除一个自变量，为逐步回归的一步。,对于每一步都要进行Y值检验，以确保每次引入新的显著性变量前回归方程中只包含对Y作用显著的变量。,返回,11/19/2024,24,这个过程反复进行，直至既无不显著的变量从回归方程中剔除，,统计工具箱中的回归分析命令,1、多元线性回归,2、多项式回归,3、非线性回归,4、逐步回归,返回,11/19/2024,25,统计工具箱中的回归分析命令1、多元线性回归2、多项式回归3、,多元线性回归,b=regress( Y, X ),1、,确定回归系数的点估计值：,11/19/2024,26,多元线性回归1、确定回归系数的点估计值：10/5/20232,3、,画出残差及其置信区间：,rcoplot（r，rint）,2、,求回归系数的点估计和区间估计、并检验回归模型：,b, bint,r,rint,stats=regress(Y,X,alpha),回归系数的区间估计,残差,用于检验回归模型的统计量，,有三个数值：相关系数r,2,、,F值、与F对应的概率p,置信区间,显著性水平,（缺省时为0.05）,11/19/2024,27,2、求回归系数的点估计和区间估计、并检验回归模型：回归系数的,例1,解：,1、,输入数据：,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;,2、,回归分析及检验：,b,bint,r,rint,stats=regress(Y,X),b,bint,stats,To,MATLAB(liti11),题目,11/19/2024,28,例1解：1、输入数据：2、回归分析及检验：To MATLAB,3、残差分析，作残差图：,rcoplot(r,rint),从残差图可以看出，除第二个数据外，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 y=-16.073+0.7194x能较好的符合原始数据，而第二个,数据可视为异常点.,4、预测及作图：,z=b(1)+b(2)*x,plot(x,Y,k+,x,z,r),返回,To,MATLAB(liti12),11/19/2024,29,3、残差分析，作残差图： 从残差图可以看出，除,多 项 式 回 归,（一）一元多项式回归,（1）,确定多项式系数的命令：p，S=polyfit（x，y，m）,（2）,一元多项式回归命令：polytool（x，y，m）,1、回归：,y=a,1,x,m,+a,2,x,m-1,+,+a,m,x+a,m+1,2、预测和预测误差估计：,（1）,Y=polyval（p，x）求polyfit所得的回归多项式在x处 的预,测值Y；,（2）Y，DELTA=polyconf（p，x，S，alpha）求polyfit所得,的回归多项式在x处的预测值Y及预测值的显著性为1-,alpha的置信区间Y DELTA；alpha缺省时为0.5.,11/19/2024,30,多 项 式 回 归 （一）一元多项式回归 （1）确定多项式系,法一,直接作二次多项式回归：,t=1/30:1/30:14/30;,s=11.86 15.67 20.60 26.69 33.71 41.93 51.13 61.49 72.90,85.44 99.08 113.77 129.54 146.48;,p,S=polyfit(t,s,2),To,MATLAB（liti21）,得回归模型为 ：,11/19/2024,31,法一 直接作二次多项式回归：To MATLAB（l,法二,化为多元线性回归：,t=1/30:1/30:14/30;,s=11.86 15.67 20.60 26.69 33.71 41.93 51.13 61.49 72.90,85.44 99.08 113.77 129.54 146.48;,T=ones(14,1) t (t.2);,b,bint,r,rint,stats=regress(s,T);,b,stats,To,MATLAB(liti22),得回归模型为 ：,Y=polyconf(p,t,S),plot(t,s,k+,t,Y,r),预测及作图,To,MATLAB(liti23),11/19/2024,32,法二化为多元线性回归：To MATLAB(liti22)得回,（二）多元二项式回归,命令：rstool（x，y，model, alpha）,n,m矩阵,显著性水平,（缺省时为0.05）,n维列向量,11/19/2024,33,（二）多元二项式回归命令：rstool（x，y，model,例3,设某商品的需求量与消费者的平均收入、商品价格的统计数,据如下，建立回归模型，预测平均收入为1000、价格为6时,的商品需求量.,法一,直接用多元二项式回归：,x1=1000 600 1200 500 300 400 1300 1100 1300 300;,x2=5 7 6 6 8 7 5 4 3 9;,y=100 75 80 70 50 65 90 100 110 60;,x=x1 x2;,rstool(x,y,purequadratic),11/19/2024,34,例3 设某商品的需求量与消费者的平均收入、商品价格的统计,在画面左下方的下拉式菜单中选”all”, 则beta、rmse和residuals都传送到Matlab工作区中.,在左边图形下方的方框中输入1000，右边图形下方的方框中输入6。,则画面左边的“Predicted Y”下方的数据变为88.47981，即预测出平均收入为1000、价格为6时的商品需求量为88.4791.,11/19/2024,35,在画面左下方的下拉式菜单中选”all”, 则beta,在Matlab工作区中输入命令： beta, rmse,To,MATLAB(liti31),11/19/2024,36,在Matlab工作区中输入命令： beta, rmseTo,结果为: b =,110.5313,0.1464,-26.5709,-0.0001,1.8475,stats =,0.9702 40.6656 0.0005,法二,To,MATLAB(liti32),返回,将,化为多元线性回归：,11/19/2024,37,结果为: b =法二To MATLAB(liti32)返回,非线性回 归,（1）,确定回归系数的命令：,beta，r，J=nlinfit（x，y，model, beta0）,（2）,非线性回归命令：nlintool（x，y，,model, beta0，alpha）,1、回归：,残差,Jacobian矩阵,回归系数的初值,是事先用m-文件定义的非线性函数,估计出的回归系数,输入数据x、y分别为,矩阵和n维列向量，对一元非线性回归，x为n维列向量。,2、预测和预测误差估计：,Y，DELTA=nlpredci（,model, x，beta，r，J,）,求nlinfit 或nlintool所得的回归函数在x处的预测值Y及预测值的显著性为1-alpha的置信区间Y DELTA.,11/19/2024,38,非线性回 归 （1）确定回归系数的命令：（2）非线性回归命令,例 4,对第一节例2，求解如下：,2、输入数据：,x=2:16;,y=6.42 8.20 9.58 9.5 9.7 10 9.93 9.99 10.49 10.59 10.60 10.80 10.60,10.90 10.76;,beta0=8 2;,3、,求回归系数：,beta,r ,J=nlinfit(x,y,volum,beta0)；,beta,得结果：beta =,11.6036,-1.0641,即得回归模型为：,To,MATLAB(liti41),题目,11/19/2024,39,例 4 对第一节例2，求解如下：2、输入数据：3、求回归系,4、预测及作图：,YY,delta=nlpredci(volum,x,beta,r ,J)；,plot(x,y,k+,x,YY,r),To,MATLAB(liti42),11/19/2024,40,4、预测及作图： To MATLAB(liti42)10/5,例5,财政收入预测问题：财政收入与国民收入、工业总产值、农业总产值、总人口、就业人口、固定资产投资等因素有关。,下表列出了1952-1981年的原始数据,，试构造预测模型。,解,设国民收入、工业总产值、农业总产值、总人口、就业人口、固定资产投资分别为x,1,、x,2,、x,3,、x,4,、x,5,、x,6,，财政收入为y，设变量之间的关系为：,y= ax,1,+bx,2,+cx,3,+dx,4,+ex,5,+fx,6,使用非线性回归方法求解。,11/19/2024,41,例5 财政收入预测问题：财政收入与国民收入、工业总产值,1,对回归模型建立M文件model.m如下:,function yy=model(beta0,X),a=beta0(1);,b=beta0(2);,c=beta0(3);,d=beta0(4);,e=beta0(5);,f=beta0(6);,x1=X(:,1);,x2=X(:,2);,x3=X(:,3);,x4=X(:,4);,x5=X(:,5);,x6=X(:,6);,yy=a*x1+b*x2+c*x3+d*x4+e*x5+f*x6;,11/19/2024,42,10/5/202342,2.,主程序liti6.m如下:,X=598.00 349.00 461.00 57482.00 20729.00 44.00,.,2927.00 6862.00 1273.00 100072.0 43280.00 496.00;,y=184.00 216.00 248.00 254.00 268.00 286.00 357.00 444.00 506.00 .,271.00 230.00 266.00 323.00 393.00 466.00 352.00 303.00 447.00 .,564.00 638.00 658.00 691.00 655.00 692.00 657.00 723.00 922.00 .,890.00 826.00 810.0;,beta0=0.50 -0.03 -0.60 0.01 -0.02 0.35;,betafit = nlinfit(X,y,model,beta0),To,MATLAB(liti6）,11/19/2024,43,2. 主程序liti6.m如下:X=598.00 34,betafit =,0.5243,-0.0294,-0.6304,0.0112,-0.0230,0.3658,即y= 0.5243x,1,-0.0294x,2,-0.6304x,3,+0.0112x,4,-0.0230x,5,+0.3658x,6,结果为:,返 回,11/19/2024,44,结果为:返 回10/5/202344,逐 步 回 归,逐步回归的命令是：,stepwise（x，y，inmodel，alpha）,运行stepwise命令时产生三个图形窗口：Stepwise Plot，Stepwise Table，Stepwise History.,在Stepwise Plot窗口，显示出各项的回归系数及其置信区间.,Stepwise Table 窗口中列出了一个统计表，包括回归系数及其置信区间，以及模型的统计量剩余标准差（RMSE）、相关系数（R-square）、F值、与F对应的概率P.,矩阵的列数的指标，给出初始模型中包括的子集（缺省时设定为全部自变量）,显著性水平（缺省时为0.5）,自变量数据,阶矩阵,因变量数据，,阶矩阵,11/19/2024,45,逐 步 回 归逐步回归的命令是： 运行step,例6,水泥凝固时放出的热量y与水泥中4种化学成分x,1,、x,2,、x,3,、 x,4,有关，今测得一组数据如下，试用逐步回归法确定一个 线性模,型.,1、数据输入：,x1=7 1 11 11 7 11 3 1 2 21 1 11 10;,x2=26 29 56 31 52 55 71 31 54 47 40 66 68;,x3=6 15 8 8 6 9 17 22 18 4 23 9 8;,x4=60 52 20 47 33 22 6 44 22 26 34 12 12;,y=78.5 74.3 104.3 87.6 95.9 109.2 102.7 72.5 93.1 115.9 83.8 113.3,109.4;,x=x1 x2 x3 x4;,11/19/2024,46,例6 水泥凝固时放出的热量y与水泥中4种化学成分x1、x2、,2、逐步回归：,（1）先在初始模型中取全部自变量：,stepwise(x,y),得图Stepwise Plot 和表Stepwise Table,图Stepwise Plot中四条直线都是虚线，说明模型的显著性不好,从表Stepwise Table中看出变量x,3,和x,4,的显著性最差,.,11/19/2024,47,2、逐步回归：图Stepwise Plot中四条直线都是虚线,（2）在图Stepwise Plot中点击直线3和直线4，移去变量x,3,和x,4,移去变量x,3,和x,4,后模型具有显著性.,虽然剩余标准差（RMSE）没有太大的变化，但是统计量F的,值明显增大，因此新的回归模型更好.,To,MATLAB(liti51）,11/19/2024,48,（2）在图Stepwise Plot中点击直线3和直线4，移,（3）对变量y和x,1,、x,2,作线性回归：,X=ones(13,1) x1 x2;,b=regress(y,X),得结果：b =,52.5773,1.4683,0.6623,故最终模型为：y=52.5773+1.4683x,1,+0.6623x,2,To,MATLAB(liti52）,返回,11/19/2024,49,（3）对变量y和x1、x2作线性回归：得结果：b =To M,作 业,1、考察温度x对产量y的影响，测得下列10组数据：,求y关于x的线性回归方程，检验回归效果是否显著，并预测x=42,时产量的估值及预测区间（置信度95%）.,2、某零件上有一段曲线，为了在程序控制机床上加工这一零件，需要求这段曲线的解析表达式，在曲线横坐标x,i,处测得纵坐标y,i,共11对数据如下：,求这段曲线的纵坐标y关于横坐标x的二次多项式回归方程.,11/19/2024,50,作 业1、考察温度x对产量y的影响，测得下列10组数据：求,11/19/2024,51,10/5/202351,4、混凝土的抗压强度随养护时间的延长而增加，现将一批混凝土作成12个试块，记录了养护日期x（日）及抗压强度y（kg/cm,2,）的数据：,11/19/2024,52,4、混凝土的抗压强度随养护时间的延长而增加，现将一批混凝土作,