電機(jī)拖動(dòng)11-優(yōu)質(zhì)課件

1、數(shù)學(xué)建模與數(shù)學(xué)實(shí)驗(yàn)后勤工程學(xué)院數(shù)學(xué)教研室回歸分析7/25/20221實(shí)驗(yàn)?zāi)康膶?shí)驗(yàn)內(nèi)容2、掌握用數(shù)學(xué)軟件求解回歸分析問題。1、直觀了解回歸分析基本內(nèi)容。1、回歸分析的基本理論。3、實(shí)驗(yàn)作業(yè)。2、用數(shù)學(xué)軟件求解回歸分析問題。7/25/20222一元線性回歸多元線性回歸回歸分析數(shù)學(xué)模型及定義*模型參數(shù)估計(jì)*檢驗(yàn)、預(yù)測(cè)與控制可線性化的一元非線性回歸（曲線回歸）數(shù)學(xué)模型及定義*模型參數(shù)估計(jì)*多元線性回歸中的檢驗(yàn)與預(yù)測(cè)逐步回歸分析7/25/20223一、數(shù)學(xué)模型例1 測(cè)16名成年女子的身高與腿長(zhǎng)所得數(shù)據(jù)如下：以身高x為橫坐標(biāo)，以腿長(zhǎng)y為縱坐標(biāo)將這些數(shù)據(jù)點(diǎn)（xI，yi）在平面直角坐標(biāo)系上標(biāo)出.散點(diǎn)圖解答7/

2、25/20224一元線性回歸分析的主要任務(wù)是：返回7/25/20225二、模型參數(shù)估計(jì)1、回歸系數(shù)的最小二乘估計(jì)7/25/202267/25/20227返回7/25/20228三、檢驗(yàn)、預(yù)測(cè)與控制1、回歸方程的顯著性檢驗(yàn)7/25/20229（）F檢驗(yàn)法 （）t檢驗(yàn)法7/25/202210（）r檢驗(yàn)法7/25/2022112、回歸系數(shù)的置信區(qū)間7/25/2022123、預(yù)測(cè)與控制（1）預(yù)測(cè)7/25/202213（2）控制返回7/25/202214四、可線性化的一元非線性回歸 （曲線回歸）例2 出鋼時(shí)所用的盛鋼水的鋼包，由于鋼水對(duì)耐火材料的侵蝕， 容積不斷增大.我們希望知道使用次數(shù)與增大的容積之間

3、的關(guān) 系.對(duì)一鋼包作試驗(yàn)，測(cè)得的數(shù)據(jù)列于下表：解答7/25/202215散點(diǎn)圖此即非線性回歸或曲線回歸 問題（需要配曲線）配曲線的一般方法是：7/25/202216通常選擇的六類曲線如下：返回7/25/202217一、數(shù)學(xué)模型及定義返回7/25/202218二、模型參數(shù)估計(jì)7/25/202219返回7/25/202220三、多元線性回歸中的檢驗(yàn)與預(yù)測(cè) （）F檢驗(yàn)法（）r檢驗(yàn)法(殘差平方和）7/25/2022212、預(yù)測(cè)（1）點(diǎn)預(yù)測(cè)（2）區(qū)間預(yù)測(cè)返回7/25/202222四、逐步回歸分析（4）“有進(jìn)有出”的逐步回歸分析。（1）從所有可能的因子（變量）組合的回歸方程中選擇最優(yōu)者；（2）從包含全部變

4、量的回歸方程中逐次剔除不顯著因子；（3）從一個(gè)變量開始，把變量逐個(gè)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所有對(duì)Y有影響的變量, 而不包含對(duì)Y影響不顯著的變量回歸方程。 以第四種方法，即逐步回歸分析法在篩選變量方面較為理想.7/25/202223 這個(gè)過程反復(fù)進(jìn)行，直至既無(wú)不顯著的變量從回歸方程中剔除，又無(wú)顯著變量可引入回歸方程時(shí)為止。逐步回歸分析法的思想： 從一個(gè)自變量開始，視自變量Y作用的顯著程度，從大到地依次逐個(gè)引入回歸方程。 當(dāng)引入的自變量由于后面變量的引入而變得不顯著時(shí)，要將其剔除掉。 引入一個(gè)自變量或從回歸方程中剔除一個(gè)自變量，為逐步回歸的一步。

5、 對(duì)于每一步都要進(jìn)行Y值檢驗(yàn)，以確保每次引入新的顯著性變量前回歸方程中只包含對(duì)Y作用顯著的變量。返回7/25/202224統(tǒng)計(jì)工具箱中的回歸分析命令1、多元線性回歸2、多項(xiàng)式回歸3、非線性回歸4、逐步回歸返回7/25/202225多元線性回歸 b=regress( Y, X )1、確定回歸系數(shù)的點(diǎn)估計(jì)值：7/25/2022263、畫出殘差及其置信區(qū)間： rcoplot（r，rint）2、求回歸系數(shù)的點(diǎn)估計(jì)和區(qū)間估計(jì)、并檢驗(yàn)回歸模型： b, bint,r,rint,stats=regress(Y,X,alpha)回歸系數(shù)的區(qū)間估計(jì)殘差用于檢驗(yàn)回歸模型的統(tǒng)計(jì)量，有三個(gè)數(shù)值：相關(guān)系數(shù)r2、F值、與F

6、對(duì)應(yīng)的概率p置信區(qū)間 顯著性水平（缺省時(shí)為0.05）7/25/202227例1解：1、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(yàn)： b,bint,r,rint,stats=regress(Y,X) b,bint,statsTo MATLAB(liti11)題目7/25/2022283、殘差分析，作殘差圖： rcoplot(r,rint) 從

7、殘差圖可以看出，除第二個(gè)數(shù)據(jù)外，其余數(shù)據(jù)的殘差離零點(diǎn)均較近，且殘差的置信區(qū)間均包含零點(diǎn)，這說(shuō)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(gè)數(shù)據(jù)可視為異常點(diǎn). 4、預(yù)測(cè)及作圖：z=b(1)+b(2)*x plot(x,Y,k+,x,z,r)返回To MATLAB(liti12)7/25/202229多 項(xiàng) 式 回 歸 （一）一元多項(xiàng)式回歸 （1）確定多項(xiàng)式系數(shù)的命令：p，S=polyfit（x，y，m）（2）一元多項(xiàng)式回歸命令：polytool（x，y，m）1、回歸：y=a1xm+a2xm-1+amx+am+12、預(yù)測(cè)和預(yù)測(cè)誤差估計(jì)：（1）Y=polyval（p，x

8、）求polyfit所得的回歸多項(xiàng)式在x處 的預(yù) 測(cè)值Y； （2）Y，DELTA=polyconf（p，x，S，alpha）求polyfit所得 的回歸多項(xiàng)式在x處的預(yù)測(cè)值Y及預(yù)測(cè)值的顯著性為1- alpha的置信區(qū)間Y DELTA；alpha缺省時(shí)為0.5.7/25/202230法一 直接作二次多項(xiàng)式回歸： 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; p,S=polyfit(t,s,2)To MATLAB（liti21）得

9、回歸模型為 ：7/25/202231法二化為多元線性回歸：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,stats=regress(s,T);b,statsTo MATLAB(liti22)得回歸模型為 ：Y=polyconf(p,t,S) plot(t,s,k+,t,Y,r)預(yù)測(cè)及作圖To MATLAB(liti23)7/25/202232（二）多元二項(xiàng)式回

10、歸命令：rstool（x，y，model, alpha）nm矩陣顯著性水平（缺省時(shí)為0.05）n維列向量7/25/202233 例3 設(shè)某商品的需求量與消費(fèi)者的平均收入、商品價(jià)格的統(tǒng)計(jì)數(shù) 據(jù)如下，建立回歸模型，預(yù)測(cè)平均收入為1000、價(jià)格為6時(shí) 的商品需求量.法一 直接用多元二項(xiàng)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)7/25/202234 在畫面左

11、下方的下拉式菜單中選”all”, 則beta、rmse和residuals都傳送到Matlab工作區(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。 則畫面左邊的“Predicted Y”下方的數(shù)據(jù)變?yōu)?8.47981，即預(yù)測(cè)出平均收入為1000、價(jià)格為6時(shí)的商品需求量為88.4791.7/25/202235在Matlab工作區(qū)中輸入命令： beta, rmseTo MATLAB(liti31)7/25/202236結(jié)果為: b = 110.5313 0.1464 -26.5709 -0.0001 1.8475 stats = 0.9702 40.6656 0.0005法二

12、To MATLAB(liti32)返回將 化為多元線性回歸：7/25/202237非線性回 歸 （1）確定回歸系數(shù)的命令： beta，r，J=nlinfit（x，y，model, beta0）（2）非線性回歸命令：nlintool（x，y，model, beta0，alpha）1、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(jì)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(duì)一元非線性回歸，x為n維列向量。2、預(yù)測(cè)和預(yù)測(cè)誤差估計(jì)：Y，DELTA=nlpredci（model, x，beta，r，J）求nlinfit 或nlintool所得的回歸函數(shù)在x處的

13、預(yù)測(cè)值Y及預(yù)測(cè)值的顯著性為1-alpha的置信區(qū)間Y DELTA.7/25/202238例 4 對(duì)第一節(jié)例2，求解如下：2、輸入數(shù)據(jù)： 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、求回歸系數(shù)： beta,r ,J=nlinfit(x,y,volum,beta0)； beta得結(jié)果：beta = 11.6036 -1.0641即得回歸模型為：To MATLAB(liti41)題目7/25/2022394、預(yù)測(cè)及作圖： YY,delta=nl

14、predci(volum,x,beta,r ,J)； plot(x,y,k+,x,YY,r)To MATLAB(liti42)7/25/202240例5 財(cái)政收入預(yù)測(cè)問題：財(cái)政收入與國(guó)民收入、工業(yè)總產(chǎn)值、農(nóng)業(yè)總產(chǎn)值、總?cè)丝?、就業(yè)人口、固定資產(chǎn)投資等因素有關(guān)。下表列出了1952-1981年的原始數(shù)據(jù)，試構(gòu)造預(yù)測(cè)模型。 解 設(shè)國(guó)民收入、工業(yè)總產(chǎn)值、農(nóng)業(yè)總產(chǎn)值、總?cè)丝凇⒕蜆I(yè)人口、固定資產(chǎn)投資分別為x1、x2、x3、x4、x5、x6，財(cái)政收入為y，設(shè)變量之間的關(guān)系為：y= ax1+bx2+cx3+dx4+ex5+fx6使用非線性回歸方法求解。7/25/2022411 對(duì)回歸模型建立M文件model.m

15、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; 7/25/2022422. 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.

16、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 = nlinfi

17、t(X,y,model,beta0)To MATLAB(liti6）7/25/202243 betafit = 0.5243 -0.0294 -0.6304 0.0112 -0.0230 0.3658即y= 0.5243x1-0.0294x2-0.6304x3+0.0112x4-0.0230 x5+0.3658x6結(jié)果為:返 回7/25/202244逐 步 回 歸逐步回歸的命令是： stepwise（x，y，inmodel，alpha） 運(yùn)行stepwise命令時(shí)產(chǎn)生三個(gè)圖形窗口：Stepwise Plot，Stepwise Table，Stepwise History. 在Stepwise

18、Plot窗口，顯示出各項(xiàng)的回歸系數(shù)及其置信區(qū)間. Stepwise Table 窗口中列出了一個(gè)統(tǒng)計(jì)表，包括回歸系數(shù)及其置信區(qū)間，以及模型的統(tǒng)計(jì)量剩余標(biāo)準(zhǔn)差（RMSE）、相關(guān)系數(shù)（R-square）、F值、與F對(duì)應(yīng)的概率P.矩陣的列數(shù)的指標(biāo)，給出初始模型中包括的子集（缺省時(shí)設(shè)定為全部自變量）顯著性水平（缺省時(shí)為0.5）自變量數(shù)據(jù), 階矩陣因變量數(shù)據(jù)， 階矩陣7/25/202245例6 水泥凝固時(shí)放出的熱量y與水泥中4種化學(xué)成分x1、x2、x3、 x4 有關(guān)，今測(cè)得一組數(shù)據(jù)如下，試用逐步回歸法確定一個(gè) 線性模 型.1、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;7/25/2022462、逐步回歸：（1）先在初始模型中取全部自變量： stepwise(x,y)得圖Stepwise Plot 和表Stepwise Table圖Stepwise P