加载中…
个人资料
MATLAB技术论坛
MATLAB技术论坛
  • 博客等级:
  • 博客积分:0
  • 博客访问:590,608
  • 关注人气:489
  • 获赠金笔:0支
  • 赠出金笔:0支
  • 荣誉徽章:
正文 字体大小:

【原创】多元线性回归MATLAB代码

(2010-03-19 17:32:07)
标签:

杂谈

分类: MATLAB
本帖由Matlab技术论坛原创,转载请注明Matlab技术论坛原创
 
如果有任何问题、建议,或者更多资源、代码、视频

欢迎您访问专业的Matlab技术交流平台——Matlab技术论坛http://www.matlabsky.com
 
Wish my dear girl,healthy pretty and oveliness

2010-2-6 13:30:05

function [beta_hat,Y_hat,stats]=mulregress(X,Y,alpha)
% 多元线性回归(Y=Xβ+ε)MATLAB代码
% 参数说明
% X:自变量矩阵,列为自变量,行为观测值
% Y:应变量矩阵,同X
% alpha:置信度,[0 1]之间的任意数据
% beta_hat:回归系数
% Y_beata:回归目标值,使用Y-Y_hat来观测回归效果
% stats:结构体,具有如下字段
%      stats.fTest=[fV,fH],F检验相关参数,检验线性回归方程是否显著
%                   fV:F分布值,越大越好,线性回归方程越显著
%                   fH:0或1,0不显著;1显著(好)
%      stats.tTest=[tH,tV,tW],T检验相关参数和区间估计,检验回归系数β是否与Y有显著线性关系
%                   tV:T分布值,beta_hat(i)绝对值越大,表示Xi对Y显著的线性作用
%                   tH:0或1,0不显著;1显著
%                   tW:区间估计拒绝域,如果beta(i)在对应拒绝区间内,那么否认Xi对Y显著的线性作用
%      stats.TUQR=[T,U,Q,R],回归中使用的重要参数
%                  T:总离差平方和,且满足T=Q+U
%                  U:回归离差平方和
%                  Q:残差平方和
%                  R∈[0 1]:复相关系数,表征回归离差占总离差的百分比,越大越好
% 举例说明
% 比如要拟合 y=a+b*log(x1)+c*exp(x2)+d*x1*x2,注意一定要将原来方程线化
% x1=rand(10,1)*10;
% x2=rand(10,1)*10;
% Y=5+8*log(x1)+5.623*exp(x2)+1.2*x1.*x2+rand(10,1); % 以上随即生成一组测试数据
% X=[ones(10,1) log(x1) exp(x2) x1.*x2]; % 将原来的方表达式化成Y=Xβ,注意最前面的1不要丢了
% [beta_hat,Y_hat,stats]=mulregress(X,Y,0.99)
%
% 注意事项
% 有可能会出现这样的情况,总的线性回归方程式显著的(stats.fH=1),
% 但是所有的回归系数却对Y的线性作用却不显著(stats.tF=0),产生这种现象的原意是
% 回归变量之间具有较强的线性相关,但这种线性相关不能采用刚才使用的模型描述,
% 所以需要重新选择模型
%
% by dynamic of Matlab技术论坛
% see also http://www.matlabsky.com
% contact me matlabsky@gmail.com
% 2010-02-06 13:25:49
%


C=inv(X'*X);
Y_mean=mean(Y);

% 最小二乘回归分析
beta_hat=C*X'*Y; % 回归系数β
Y_hat=X*beta_hat; % 回归预测

% 离差和参数计算
Q=(Y-Y_hat)'*(Y-Y_hat); % 残差平方和
U=(Y_hat-Y_mean)'*(Y_hat-Y_mean); % 回归离差平方和
T=(Y-Y_mean)'*(Y-Y_mean); % 总离差平方和,且满足T=Q+U
R=sqrt(U/T); % 复相关系数,表征回归离差占总离差的百分比,越大越好

[n,p]=size(X); % p变量个数,n样本个数

% 回归显著性检验
fV=(U/(p-1))/(Q/(n-p)); % 服从F分布,F的值越大越好
fH=fV>finv(alpha,p-1,n-p); % H=1,线性回归方程显著(好);H=0,回归不显著

% 回归系数的显著性检验
chi2=sqrt(diag(C)*Q/(n-p)); % 服从χ2(n-p)分布
tV=beta_hat./chi2; % 服从T分布,绝对值越大线性关系显著
tInv=tinv(0.5+alpha/2,n-p);
tH=abs(tV)>tInv; % H(i)=1,表示Xi对Y显著的线性作用;H(i)=0,Xi对Y的线性作用不明显
% 回归系数区间估计
tW=[-chi2,chi2]*tInv; % 接受H0,也就是说如果在beta_hat(i)对应区间中,那么Xi与Y线性作用不明显

stats=struct('fTest',[fH,fV],'tTest',[tH,tV,tW],'TUQR',[T,U,Q,R]);

0

阅读 收藏 喜欢 打印举报/Report
  

新浪BLOG意见反馈留言板 欢迎批评指正

新浪简介 | About Sina | 广告服务 | 联系我们 | 招聘信息 | 网站律师 | SINA English | 产品答疑

新浪公司 版权所有