Matlab线性回归(拟合)VIP免费

Matlab 线性回归（拟合） 对于多元线性回归模型： exxypp110 设变量12,,,px xxy 的n 组观测值为 12(,,,)1,2,,iiipixxxyin． 记 npnnppxxxxxxxxxx212222111211111，nyyyy21，则p10 的估计值为 yxxxb')'(ˆ1  (11.2) 在Matlab 中，用regress 函数进行多元线性回归分析，应用方法如下： 语法：b = regress(y , x ) [b, bint, r, rint, stats] = regress(y , x ) [b, bint, r, rint, stats] = regress(y , x , alpha) b = regress(y , x )，得到的1p维列向量b 即为(11.2)式给出的回归系数 的估计值． [b, bint, r, rint, stats]=regress(y , x ) 给出回归系数 的估计值b， 的95％置信区间（(1)2p 向量）bint，残差r 以及每个残差的95％置信区间（2n向量）rint；向量stats给出回归的R2 统计量和F 以及临界概率p 的值． 如果i 的置信区间（bint 的第1i  行）不包含0，则在显著水平为 时拒绝0i 的假设，认为变量ix 是显著的． [b, bint, r, rint, stats]=regress(y , x , alpha) 给出了bint 和rint 的100(1-alpha)%的置信区间． 三次样条插值函数的MATLAB 程序 matlab 的spline x = 0:10; y = sin(x ); %插值点 x x = 0:.25:10; %绘图点 y y = spline(x ,y ,x x ); plot(x ,y ,'o',x x ,y y ) 非线性拟合 非线性拟合可以用以下命令(同样适用于线形回归分析)： 1.beta = nlinfit(X,y,fun,beta0) X 给定的自变量数据,Y 给定的因变量数据,fun 要拟合的函数模型(句柄函数或 者内联函数形式), beta0 函数模型中系数估计初值,beta 返回拟合后的系数 2.x = lsqcurvefit(fun,x0,xdata,ydata) fun 要拟合的目标函数,x0 目标函数中的系数估计初值,xdata 自变量数据,ydata函数值数据 X 拟合返回的系数(拟合结果) nlinfit 格式： [beta，r，J]=nlinfit（x ，y ，’model’, beta0） Beta 估计出的回归系数 r 残差 J Jacobian 矩阵 x ，y 输入数据x 、y 分别为 n*m 矩阵和 n 维列向量，对一元非线性回归，x 为 n 维列向量。 model 是事先用m-文件定义的非线性函数 beta0 回归系数的初值 例 1 已知数...