Matlab 线性回归(拟合) 对于多元线性回归模型: exxypp110 设变量12,,,px xxy的n 组观测值为 12(,,,)1,2,,iiipixxxyin. 记 npnnppxxxxxxxxxx212222111211111,nyyyy21, 则p10 的估计值为 yxxxb')'(ˆ1 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p+1 维列向量b 即为(11.2)式给出的回归系数β 的估计值. [b, bint, r, rint, stats]=regress(y , x ) 给出回归系数β 的估计值b,β 的95%置信区间((p+1)*2 向量)bint,残差 r 以及每个残差的95%置信区间(2n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 i+1 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. 1.三次样条插值函数的 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 ) 2 .非线性拟合 非线性拟合可以用以下命令(同样适用于线性回归分析): beta = nlinfit(x ,y ,fu n,beta0) x :给定的自变量数据, y :给定的因变量数据, fu n: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 x = lsqcurvefit(fun,x0,xdata,ydata) fu n 要拟合的目标函数, x 0:目标函数中的系数估计初值, x data:自变量数据, y data:函数值数据, x :拟合返回的系数(拟合结果), 2.1 nlinfit 函数 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:事先用m-文件定义的非线性函数 ...