数据回归分析和拟合的Matlab 实现 本次将教程的主要内容包含： 一、多元线性回归 2# 多元线性回归：regress 二、多项式回归 3# 一元多项式：polyfit 或者 polytool 多元二项式：rstool 或者 rsmdemo 三、非线性回归 4# 非线性回归：nlinfit 四、逐步回归 5# 逐步回归：stepwise 一、多元线性回归 多元线性回归： 1、b=regress(Y, X ) 确定回归系数的点估计值 2、[b, bint,r,rint,stats]=regress(Y,X,alpha) 求回归系数的点估计和区间估计、并检验回归模型 ①bint 表示回归系数的区间估计. ②r 表示残差 ③rint 表示置信区间 ④stats 表示用于检验回归模型的统计量,有三个数值：相关系数r2、F 值、与 F 对应的概率 p 说明： 相关系数r2 越接近 1，说明回归方程越显著； 时拒绝 H0，F 越大，说明回归方程越显著；与F 对应的概率 p<α时拒绝 H0 ⑤alpha 表示显著性水平(缺省时为 0.05) 3、rcoplot(r,rint) 画出残差及其置信区间具体参见下面的实例演示 4、实例演示，函数使用说明 (1)输入数据 复制内容到剪贴板 代码: >>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 复制内容到剪贴板 代码: >> [b,bint,r,rint,stats]=regress(Y,X) b = -16.0730 0.7194 bint = -33.7071 1.5612 0.6047 0.8340 r = 1.2056 -3.2331 -0.9524 1.3282 0.8895 1.1702 -0.9879 0.2927 0.5734 1.8540 0.1347 -1.5847 -0.3040 -0.0234 -0.4621 0.0992 rint = -1.2407 3.6520 -5.0622 -1.4040 -3.5894 1.6845 -1.2895 3.9459 -1.8519 3.6309 -1.5552 3.8955 -3.7713 1.7955 -2.5473 3.1328 -2.2471 3.3939 -0.7540 4.4621 -2.6814 2.9508 -4.2188 1.0494 -3.0710 2.4630 -2.7661 2.7193 -3.1133 2.1892 -2.4640 2.6624 stats = 0.9282 180.9531 0.0000 1.7437 运行结果解读如下 参数回归结果为 ，对应的置信区间分别为[-33.7017,1.5612]和[0.6047,0.834] r2=0.9282(越接近于1，回归效果越显著)，F=180.9531， p=0.0000，由p<0.05, 可知回归模型 y=-16.073+0.7194x 成立 (3)残差分析 作残差图 复制内容到剪贴板 代码: rcoplot(r,rint) 二、多项式回归 ...
