公司財務管理回歸分析ppt課件

1、數(shù)學建模與數(shù)學實驗數(shù)學建模與數(shù)學實驗回歸分析回歸分析實驗目的實驗目的實驗內(nèi)容實驗內(nèi)容2、掌握用數(shù)學軟件求解回歸分析問題。、掌握用數(shù)學軟件求解回歸分析問題。1、直觀了解回歸分析根本內(nèi)容。、直觀了解回歸分析根本內(nèi)容。1 1、回歸分析的根本實際。、回歸分析的根本實際。3 3、實驗作業(yè)。、實驗作業(yè)。2、用數(shù)學軟件求解回歸分析問題。、用數(shù)學軟件求解回歸分析問題。回歸分析回歸分析數(shù)學模型及定義數(shù)學模型及定義*模型參數(shù)估計模型參數(shù)估計* *檢驗、預測與控制檢驗、預測與控制可線性化的一元非線可線性化的一元非線性回歸曲線回歸性回歸曲線回歸數(shù)學模型及定義數(shù)學模型及定義*模型參數(shù)估計模型參數(shù)估計*多元線性回歸中的多

2、元線性回歸中的檢驗與預測檢驗與預測逐漸回歸分析逐漸回歸分析一、數(shù)學模型一、數(shù)學模型例例1 測測16名成年女子的身高與腿長所得數(shù)據(jù)如下：名成年女子的身高與腿長所得數(shù)據(jù)如下：身高143145146147149150153154155156157158159160162164腿長8885889192939395969897969899100102以身高x為橫坐標，以腿長y為縱坐標將這些數(shù)據(jù)點xI，yi在平面直角坐標系上標出.1401451501551601658486889092949698100102散點圖xy10 一般地，稱由xy10確定的模型為一一元元線線性性回回歸歸模模型型，記為 210,

3、0DExy固定的未知參數(shù)0、1稱為回歸系數(shù)，自變量 x 也稱為回歸變量.一元線性回歸分析的主要義務是：1、用試驗值（樣本值）對0、1和作點估計；2、對回歸系數(shù)0、1作假設檢驗； 3、在 x=0 x處對 y 作預測，對 y 作區(qū)間估計.xY10，稱為 y 對對 x的的回回歸歸直直線線方方程程.前往前往二、模型參數(shù)估計二、模型參數(shù)估計1、回歸系數(shù)的最小二乘估計、回歸系數(shù)的最小二乘估計有 n 組獨立觀測值， （x1，y1） ， （x2，y2） ， （xn，yn） 設 相互獨立且，niiiiDEnixy., , 0,.,2 , 1,21210 記 niiiniixyQQ12101210),(最小二乘法

4、最小二乘法就是選擇0和1的估計0，1使得 ),(min),(10,1010QQ22110 xxyxxyxy解得 其中niiniiynyxnx111,1，niiiniiyxnxyxnx11221,1.（經(jīng)經(jīng)驗驗）回回歸歸方方程程為為: )(110 xxyxy 或 niiniiixxyyxx12112、2的的無無偏偏估估計計記 niniiiiieyyxyQQ11221010)(),(稱 Qe為殘殘差差平平方方和和或剩剩余余平平方方和和. 2的的無無偏偏估估計計為 )2(2nQee稱2e為剩剩余余方方差差（殘殘差差的的方方差差） ， 2e分別與0、1獨立 。 e稱為剩剩余余標標準準差差.前往前往三、

5、檢驗、預測與控制三、檢驗、預測與控制1、回歸方程的顯著性檢驗、回歸方程的顯著性檢驗 對回歸方程xY10的顯著性檢驗，歸結為對假設 0:; 0:1110HH進行檢驗.假設0:10H被拒絕，則回歸顯著，認為 y 與 x存在線性關系，所求的線性回歸方程有意義；否則回歸不顯著，y 與 x 的關系不能用一元線性回歸模型來描述，所得的回歸方程也無意義.F檢驗法檢驗法 當0H成立時， )2/( nQUFeF（1，n-2）其中 niiyyU12（回回歸歸平平方方和和）故 F)2, 1 (1nF，拒絕0H，否則就接受0H. t檢驗法檢驗法niiniixxxnxxxL12212)(其中當0H成立時，exxLT1t

6、（n-2）故)2(21ntT，拒絕0H，否則就接受0H.r檢驗法檢驗法當|r| r1-時，拒絕 H0；否則就接受 H0.記 niniiiniiiyyxxyyxxr11221)()()(其中2, 121111nFnr2、回歸系數(shù)的置信區(qū)間、回歸系數(shù)的置信區(qū)間0和和1置信水平為置信水平為 1-的置信區(qū)間分別為的置信區(qū)間分別為 xxexxeLxnntLxnnt221022101)2(,1)2(和 xxexxeLntLnt/)2(,/)2(2112112的的置置信信水水平平為為 1-的的置置信信區(qū)區(qū)間間為為 )2(,)2(22221nQnQee3、預測與控制、預測與控制1預測預測用 y0的回歸值010

7、0 xy作為 y0的的預預測測值值.0y的置信水平為1的預測區(qū)間預測區(qū)間為 )(),(0000 xyxy其中xxeLxxnntx2021011)2()( 特 別 ， 當 n 很 大 且 x0在x附 近 取 值 時 ,y 的 置 信 水 平 為1的 預預 測測 區(qū)區(qū) 間間 近近 似似 為為 2121,uyuyee2控制控制要求：xy10的值以1的概率落在指定區(qū)間yy ,只要控制 x 滿足以下兩個不等式 yxyyxy )(,)(要求)(2xyy .若yxyyxy )(,)(分別有解x和x ，即yxyyxy )(,)(. 則xx ,就是所求的 x 的控制區(qū)間.前往前往四、可線性化的一元非線性回歸四、

8、可線性化的一元非線性回歸 曲線回歸曲線回歸例例2 出鋼時所用的盛鋼水的鋼包，由于鋼水對耐火資料的侵蝕，出鋼時所用的盛鋼水的鋼包，由于鋼水對耐火資料的侵蝕， 容積不斷增大容積不斷增大.我們希望知道運用次數(shù)與增大的容積之間的關我們希望知道運用次數(shù)與增大的容積之間的關 系系.對一鋼包作實驗，測得的數(shù)據(jù)列于下表：對一鋼包作實驗，測得的數(shù)據(jù)列于下表：使用次數(shù)增大容積使用次數(shù)增大容積234567896.428.209.589.509.7010.009.939.991011121314151610.4910.5910.6010.8010.6010.9010.7624681012141666.577.588.

9、599.51010.511散點圖此即非線性回歸或曲線回歸 問題需求配曲線問題需求配曲線配曲線的普通方法是：配曲線的普通方法是：先對兩個變量 x 和 y 作 n 次試驗觀察得niyxii,.,2 , 1),(畫出散點圖，根據(jù)散點圖確定須配曲線的類型.然后由 n 對試驗數(shù)據(jù)確定每一類曲線的未知參數(shù) a 和 b.采用的方法是通過變量代換把非線性回歸化成線性回歸，即采用非線性回歸線性化的方法.通常選擇的六類曲線如下：（1）雙雙曲曲線線xbay1（2）冪冪函函數(shù)數(shù)曲曲線線y=abx, 其中 x0,a0（3）指指數(shù)數(shù)曲曲線線 y=abxe其中參數(shù) a0.（4）倒倒指指數(shù)數(shù)曲曲線線 y=axbe/其中 a0

10、，（5）對對數(shù)數(shù)曲曲線線 y=a+blogx,x0（6）S 型型曲曲線線xbeay1前往前往解例2.由散點圖我們選配倒指數(shù)曲線y=axbe/根據(jù)線性化方法，算得4587. 2,1107. 1Ab由此 6789.11Aea最后得 xey1107. 16789.11一、數(shù)學模型及定義一、數(shù)學模型及定義一般稱 nICOVEXY2),(, 0)( 為高斯馬爾柯夫線性模型(k k 元線性回歸模型元線性回歸模型)，并簡記為),(2nIXY nyyY.1，nknnkkxxxxxxxxxX.1.1.1212222111211，k.10，n.21kkxxy.110稱為回回歸歸平平面面方方程程. 前往前往線性模型

11、),(2nIXY考慮的主要問題是： （1）用試驗值（樣本值）對未知參數(shù)和2作點估計和假設檢驗，從而建立 y 與kxxx,.,21之間的數(shù)量關系； （2）在,.,0022011kkxxxxxx處對 y 的值作預測與控制，即對 y 作區(qū)間估計. 二、模型參數(shù)估計二、模型參數(shù)估計1、對、對i和和2作估計作估計用最小二乘法求k,.,0的估計量：作離差平方和 niikkiixxyQ12110.選擇k,.,0使 Q 達到最小。解得估計值 YXXXTT1 得到的i代入回歸平面方程得： kkxxy.110稱為經(jīng)經(jīng)驗驗回回歸歸平平面面方方程程.i稱為經(jīng)經(jīng)驗驗回回歸歸系系數(shù)數(shù).注注意意 ：服從 p+1 維正態(tài)分

12、布，且為的無偏估 計，協(xié)方差陣為C2. C=L-1=(cij), L=XX2、 多多 項項 式式 回回 歸歸設變量 x、Y 的回歸模型為 ppxxxY.2210其中 p 是已知的，), 2 , 1(pii是未知參數(shù)，服從正態(tài)分布), 0(2N. 令iixx ，i=1，2，k 多項式回歸模型變?yōu)槎嘣€性回歸模型.前往前往 kkxxxY.2210稱為回回歸歸多多項項式式.上面的回歸模型稱為多多項項式式回回歸歸.三、多元線性回歸中的檢驗與預測三、多元線性回歸中的檢驗與預測1、線線性性模模型型和和回回歸歸系系數(shù)數(shù)的的檢檢驗驗假設 0.:100kH F檢驗法檢驗法r檢驗法檢驗法定義eyyQUULUR為

13、y 與 x1,x2,.,xk的多多元元相相關關系系數(shù)數(shù)或復復相相關關系系數(shù)數(shù)。由于2211RRkknF，故用 F 和用 R檢驗是等效的。當 H0成立時，)1,()1/(/knkFknQkUFe如果 F F1-（k，n-k-1） ，則拒絕 H0，認為 y 與 x1, xk之間顯著地有線性關系；否則就接受 H0，認為 y 與 x1, xk之間線性關系不顯著.其中 niiyyU12（回回歸歸平平方方和和） niiieyyQ12)(殘差平方和2、預測、預測1點預測點預測求出回歸方程kkxxy.110，對于給定自變量的值kxx ,.,*1，用*110*.kkxxy來預測*110.kkxxy.稱* y為*

14、y的點預測.2區(qū)間預測區(qū)間預測y 的1的預測區(qū)間（置信）區(qū)間為),(21yy,其中) 1(1) 1(12/10022/1001kntxxcyykntxxcyykikjjiijekikjjiijeC=L-1=(cij), L=XX1knQee前往前往四、逐漸回歸分析四、逐漸回歸分析4“有進有出的逐漸回歸分析。1從一切能夠的因子變量組合的回歸方程中選擇最優(yōu)者；2從包含全部變量的回歸方程中逐次剔除不顯著因子；3從一個變量開場，把變量逐個引入方程；選擇“最優(yōu)的回歸方程有以下幾種方法： “最優(yōu)的回歸方程就是包含一切對Y有影響的變量, 而不包含對Y影響不顯著的變量回歸方程。 以第四種方法，即逐漸回歸分析法

15、在挑選變量方面較為理想. 這個過程反復進展，直至既無不顯著的變量從回歸方程中剔除，又無顯著變量可引入回歸方程時為止。逐漸回歸分析法的思想：逐漸回歸分析法的思想： 從一個自變量開場，視自變量Y作用的顯著程度，從大到地依次逐個引入回歸方程。 當引入的自變量由于后面變量的引入而變得不顯著時，要將其剔除掉。 引入一個自變量或從回歸方程中剔除一個自變量，為逐漸回歸的一步。 對于每一步都要進展Y值檢驗，以確保每次引入新的顯著性變量前回歸方程中只包含對Y作用顯著的變量。前往前往1、多元線性回歸、多元線性回歸2、多項式回歸、多項式回歸3、非線性回歸、非線性回歸4、逐漸回歸、逐漸回歸前往前往多元線性回歸多元線性

16、回歸 b=regress( Y, X )npnnppxxxxxxxxxX.1.1.1212222111211nYYYY.21pb.101、確定回歸系數(shù)的點估計值：、確定回歸系數(shù)的點估計值：ppxxy.110對一元線性回歸，取 p=1 即可3、畫出殘差及其置信區(qū)間：、畫出殘差及其置信區(qū)間： rcoplotr，rint2、求回歸系數(shù)的點估計和區(qū)間估計、并檢驗回歸模型：、求回歸系數(shù)的點估計和區(qū)間估計、并檢驗回歸模型： b, bint,r,rint,stats=regress(Y,X,alpha)回歸系數(shù)的區(qū)間估計殘差用于檢驗回歸模型的統(tǒng)計量，有三個數(shù)值：相關系數(shù)r2、F值、與F對應的概率p置信區(qū)間

17、顯著性程度缺省時為0.05 相關系數(shù) r2越接近 1，說明回歸方程越顯著； F F1-（k，n-k-1）時拒絕 H0，F(xiàn) 越大，說明回歸方程越顯著； 與 F 對應的概率 p時拒絕 H0，回歸模型成立.例例1 解：解：1、輸入數(shù)據(jù)：、輸入數(shù)據(jù)： 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、回歸分析及檢驗：、回歸分析及檢驗： b,bint,r,rint,stats=reg

18、ress(Y,X) b,bint,stats得結果：b = bint = -16.0730 -33.7071 1.5612 0.7194 0.6047 0.8340 stats = 0.9282 180.9531 0.0000即7194. 0,073.1610；0的置信區(qū)間為-33.7017，1.5612, 1的置信區(qū)間為0.6047,0.834;r2=0.9282, F=180.9531, p=0.0000p0.05, 可知回歸模型 y=-16.073+0.7194x 成立.To MATLAB(liti11)3、殘差分析，作殘差圖：、殘差分析，作殘差圖： rcoplot(r,rint) 從殘

19、差圖可以看出，除第二個數(shù)據(jù)外，其他數(shù)據(jù)的殘差離零點均較近，且殘差的置信區(qū)間均包含零點，這闡明回歸模型 y=-16.073+0.7194x能較好的符合原始數(shù)據(jù)，而第二個數(shù)據(jù)可視為異常點. 4、預測及作圖：、預測及作圖：z=b(1)+b(2)*x plot(x,Y,k+,x,z,r)246810121416-5-4-3-2-101234Residual Case Order PlotResidualsCase Number前往前往To MATLAB(liti12)多多 項項 式式 回回 歸歸 一一元多項式回歸一一元多項式回歸 1確定多項式系數(shù)的命令：確定多項式系數(shù)的命令：p，S=polyfitx，

20、y，m 其中 x=（x1，x2，xn） ，y=（y1，y2，yn） ；p=（a1，a2，am+1）是多項式y(tǒng)=a1xm+a2xm-1+amx+am+1的系數(shù)；S 是一個矩陣，用來估計預測誤差.2一元多項式回歸命令：一元多項式回歸命令：polytoolx，y，m1、回歸：、回歸：y=a1xm+a2xm-1+amx+am+12、預測和預測誤差估計：、預測和預測誤差估計：1Y=polyvalp，x求polyfit所得的回歸多項式在x處 的預 測值Y； 2Y，DELTA=polyconfp，x，S，alpha求polyfit所得 的回歸多項式在x處的預測值Y及預測值的顯著性為1- alpha的置信區(qū)間

21、Y DELTA；alpha缺省時為0.5. 例例 2 觀測物體降落的距離s 與時間t 的關系，得到數(shù)據(jù)如下表，求s關于 t 的回歸方程2ctbtas.t (s)1/302/303/304/305/306/307/30s (cm)11.8615.6720.6026.6933.7141.9351.13t (s)8/309/3010/3011/3012/3013/3014/30s (cm)61.4972.9085.4499.08113.77129.54146.48法一法一 直接作二次多項式回歸：直接作二次多項式回歸： t=1/30:1/30:14/30; s=11.86 15.67 20.60 26

22、.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 MATLABliti211329. 98896.652946.4892tts得回歸模型為 ：法二法二化為多元線性回歸：化為多元線性回歸：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,s

23、tats=regress(s,T);b,statsTo MATLAB(liti22)22946.4898896.651329. 9tts得回歸模型為 ：Y=polyconf(p,t,S) plot(t,s,k+,t,Y,r)預測及作圖預測及作圖To MATLAB(liti23)二多元二項式回歸二多元二項式回歸命令：rstoolx，y，model, alphanm矩陣顯著性程度缺省時為0.05n維列向量由下列 4 個模型中選擇 1 個（用字符串輸入，缺省時為線性模型）： linear（線性）：mmxxy 110 purequadratic（純二次）： njjjjmmxxxy12110 inter

24、action（交叉）： mkjkjjkmmxxxxy1110 quadratic（完全二次）： mkjkjjkmmxxxxy,1110 例例3 設某商品的需求量與消費者的平均收入、商品價錢的統(tǒng)計數(shù)設某商品的需求量與消費者的平均收入、商品價錢的統(tǒng)計數(shù) 據(jù)如下，建立回歸模型，預測平均收入為據(jù)如下，建立回歸模型，預測平均收入為1000、價錢為、價錢為6時時 的商品需求量的商品需求量.需求量10075807050659010011060收入10006001200500300400130011001300300價格5766875439選擇純二次模型，即 2222211122110 xxxxy法一法一 直

25、接用多元二項式回歸：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) 在畫面左下方的下拉式菜單中選all, 那么beta、rmse和residuals都傳送到Matlab任務區(qū)中.在左邊圖形下方的方框中輸入1000，右邊圖形下方的方框中輸入6。 那么畫面左邊的“Predicted Y下方的數(shù)據(jù)變?yōu)?8.47981，即預測出平均收入為1000、價錢為6時的商品需求量為

26、88.4791.在Matlab任務區(qū)中輸入命令： beta, rmse得結果：beta = 110.5313 0.1464 -26.5709 -0.0001 1.8475 rmse = 4.5362故回歸模型為：2221218475. 10001. 05709.261464. 05313.110 xxxxy剩余標準差為 4.5362, 說明此回歸模型的顯著性較好.To MATLAB(liti31)X=ones(10,1) x1 x2 (x1.2) (x2.2);b,bint,r,rint,stats=regress(y,X);b,stats結果為: b = 110.5313 0.1464 -2

27、6.5709 -0.0001 1.8475 stats = 0.9702 40.6656 0.0005法二法二To MATLAB(liti32)前往前往 2222211122110 xxxxy將 化為多元線性回歸：非線性回非線性回 歸歸 1確定回歸系數(shù)的命令：確定回歸系數(shù)的命令： beta，r，J=nlinfitx，y，model, beta02非線性回歸命令：非線性回歸命令：nlintoolx，y，model, beta0，alpha1、回歸：、回歸：殘差Jacobian矩陣回歸系數(shù)的初值是事先用m-文件定義的非線性函數(shù)估計出的回歸系數(shù)輸入數(shù)據(jù)x、y分別為 矩陣和n維列向量，對一元非線性回歸

28、，x為n維列向量。mn2、預測和預測誤差估計：、預測和預測誤差估計：Y，DELTA=nlpredcimodel, x，beta，r，J求nlinfit 或nlintool所得的回歸函數(shù)在x處的預測值Y及預測值的顯著性為1-alpha的置信區(qū)間Y DELTA.例例 4 對第一節(jié)例對第一節(jié)例2，求解如下：，求解如下：1、對將要擬合的非線性模型 y=axbe/，建立 m-文件 volum.m 如下： function yhat=volum(beta,x) yhat=beta(1)*exp(beta(2)./x);2、輸入數(shù)據(jù)： x=2:16; y=6.42 8.20 9.58 9.5 9.7 10

29、9.93 9.99 10.49 10.59 10.60 10.80 10.60 10.90 10.76; beta0=8 2;3、求回歸系數(shù)： beta,r ,J=nlinfit(x,y,volum,beta0)； beta得結果：beta = 11.6036 -1.0641即得回歸模型為：xey10641. 16036.11To MATLAB(liti41)4、預測及作圖： YY,delta=nlpredci(volum,x,beta,r ,J)； plot(x,y,k+,x,YY,r)To MATLAB(liti42)例例5 財政收入預測問題：財政收入與國民收入、工業(yè)總產(chǎn)值、財政收入預測問

30、題：財政收入與國民收入、工業(yè)總產(chǎn)值、農(nóng)業(yè)總產(chǎn)值、總人口、就業(yè)人口、固定資產(chǎn)投資等要素有關。農(nóng)業(yè)總產(chǎn)值、總人口、就業(yè)人口、固定資產(chǎn)投資等要素有關。下表列出了下表列出了1952-1981年的原始數(shù)據(jù)，試構造預測模型。年的原始數(shù)據(jù)，試構造預測模型。 解解 設國民收入、工業(yè)總產(chǎn)值、農(nóng)業(yè)總產(chǎn)值、總人口、就業(yè)設國民收入、工業(yè)總產(chǎn)值、農(nóng)業(yè)總產(chǎn)值、總人口、就業(yè)人口、固定資產(chǎn)投資分別為人口、固定資產(chǎn)投資分別為x1、x2、x3、x4、x5、x6，財政，財政收入為收入為y，設變量之間的關系為：，設變量之間的關系為：y= ax1+bx2+cx3+dx4+ex5+fx6運用非線性回歸方法求解。運用非線性回歸方法求解。1

31、 對回歸模型建立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; 2. 主程序主程序liti6.m如下如下:X=598.00 349.00 461.00 57482.00 20729.00 44.00 . 2927.00 6

32、862.00 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;beta

33、fit = nlinfit(X,y,model,beta0)To MATLAB(liti6 betafit = 0.5243 -0.0294 -0.6304 0.0112 -0.0230 0.3658即即y= 0.5243x1-0.0294x2-0.6304x3+0.0112x4-0.0230 x5+0.3658x6結果為結果為:返返 回回逐逐 步步 回回 歸歸逐漸回歸的命令是： stepwisex，y，inmodel，alpha 運轉stepwise命令時產(chǎn)生三個圖形窗口：Stepwise Plot，Stepwise Table，Stepwise History. 在Stepwise Plo

34、t窗口，顯示出各項的回歸系數(shù)及其置信區(qū)間. Stepwise Table 窗口中列出了一個統(tǒng)計表，包括回歸系數(shù)及其置信區(qū)間，以及模型的統(tǒng)計量剩余規(guī)范差RMSE、相關系數(shù)R-square、F值、與F對應的概率P.矩陣的列數(shù)的目的，給出初始模型中包括的子集缺省時設定為全部自變量顯著性程度缺省時為0.5自變量數(shù)據(jù), 階矩陣mn因變量數(shù)據(jù)， 階矩陣1n例例6 水泥凝固時放出的熱量水泥凝固時放出的熱量y與水泥中與水泥中4種化學成分種化學成分x1、x2、x3、 x4 有關，今測得一組數(shù)據(jù)如下，試用逐漸回歸法確定一個有關，今測得一組數(shù)據(jù)如下，試用逐漸回歸法確定一個 線性線性模模 型型. 序號12345678

35、910111213x17111117113122111110 x226295631525571315447406668x3615886917221842398x46052204733226442226341212y78.574.3104.387.695.9109.2102.772.593.1115.983.8113.3109.41、數(shù)據(jù)輸入：、數(shù)據(jù)輸入：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;2、逐漸回歸：、逐漸回歸：1先在初始模型中取全部自變量：先在初始模型中取全部自變量： stepwise(x,y)得圖得圖Stepwise Plot 和表和表Stepwise Table圖圖