回归模型怎么建立

1. 回归模型怎么建立

您好，很高兴为您解答，根据相关信息查询，“建立预测模型: 依据自变量和因变量的历史统计资料进行计算,在此基础上建立回归分析方程,即回归分析预测模型。”“建立预测模型: 依据自变量和因变量的历史统计资料进行计算,在此基础上建立回归分析方程,即回归分析预测模型。”拓展：回归模型（regression model）对统计关系进行定量描述的一种数学模型。如多元线性回归的数学模型可以表示为y=β0+β1*x+εi，式中，β0，β1，…，βp是p+1个待估计的参数，εi是相互独立且服从同一正态分布N(0,σ2)的随机变量，y是随机变量；x可以是随机变量，也可以是非随机变量,βi称为回归系数，表征自变量对因变量影响的程度。希望我的回答能够帮助到您！【摘要】
回归模型怎么建立【提问】
您好，很高兴为您解答，根据相关信息查询，“建立预测模型: 依据自变量和因变量的历史统计资料进行计算,在此基础上建立回归分析方程,即回归分析预测模型。”“建立预测模型: 依据自变量和因变量的历史统计资料进行计算,在此基础上建立回归分析方程,即回归分析预测模型。”拓展：回归模型（regression model）对统计关系进行定量描述的一种数学模型。如多元线性回归的数学模型可以表示为y=β0+β1*x+εi，式中，β0，β1，…，βp是p+1个待估计的参数，εi是相互独立且服从同一正态分布N(0,σ2)的随机变量，y是随机变量；x可以是随机变量，也可以是非随机变量,βi称为回归系数，表征自变量对因变量影响的程度。希望我的回答能够帮助到您！【回答】

2. MATLAB 线性回归算法

x=[
1.99
2.00
1.00;
11.43
14.76
12.86;
44.29
50.00
50.00;
72.86
81.43
75.71;
87.61
89.51
87.61;
93.33
92.86
94.29];
day=[1:6]';
%天数
%这里我想，应当是想得到发芽率与天数的关系，而跟组无关
%所以这里我将它们横向求平均。求出每天的平均出芽率
xx=sum(x,2)/size(x,2);
A=[day,ones(size(day))];
c=A\xx;
k=c(1);
b=c(2);
yy=k*day+b;
plot(day,xx,'r*',day,yy)
%红色的*点，是平均出芽率与天数的关系
%线是拟合出来的
%=====================================
%那我就拿第一组做试验
%实际上就是将xx=sum(x,2)/size(x,2)
%这句改成xx=x(:,1);
%第二组，你就改成xx=x(:,2);
x=[
1.99
2.00
1.00;
11.43
14.76
12.86;
44.29
50.00
50.00;
72.86
81.43
75.71;
87.61
89.51
87.61;
93.33
92.86
94.29];
day=[1:6]';
%天数
xx=x(:,1);
A=[day,ones(size(day))];
c=A\xx;
k=c(1);
b=c(2);
yy=k*day+b;
plot(day,xx,'r*',day,yy)

3. 如何用matlab线性回归分析

在matlab中regress（）函数和polyfit（）函数都可以进行回归分析。

（1）regress（）函数主要用于线性回归，一元以及多元的。它可以提供更多的信息，残差之类的。

（2）polyfit（）函数是利用多项式拟合。可以是线性也可以是非线性的。

regress（）函数详解

[b，bint，r,rint，stats]=regress(y,X，alpha)

说明：b是线性方程的系数估计值，并且第一值表示常数，第二个值表示回归系数。bint是系数估计值的置信度为95％的置信区间，r表示残差，rint表示各残差的置信区间，stats是用于检验回归模型的统计量，有三个数值其中有表示回归的R2统计量和F以及显著性概率P值，alpha为置信度。

相关系数r^2越大，说明回归方程越显著；与F对应的概率P<alpha时候拒绝H0，回归模型成立。

y表示一个n-1的矩阵，是因变量的值，X是n-p矩阵，自变量x和一列具有相同行数，值是1的矩阵的组合。如：对含常数项的一元回归模型，可将X变为n-2矩阵，其中第一列全为1。

ONES(SIZE(A)) is the same size as A and all ones。

利用它实现X=[ones（size（x））x]

（2）polyfit（）函数详解-------------摘自sina小雪儿博客

p=polyfit(x,y,n)

[p,s]= polyfit(x,y,n)

说明：x,y为数据点，n为多项式阶数，返回p为幂次从高到低的多项式系数向量p。x必须是单调的。矩阵s用于生成预测值的误差估计。(见下一函数polyval)

多项式曲线求值函数：polyval( )

调用格式： y=polyval(p,x)

[y,DELTA]=polyval(p,x,s)

说明：y=polyval(p,x)为返回对应自变量x在给定系数P的多项式的值。

[y,DELTA]=polyval(p,x,s) 使用polyfit函数的选项输出s得出误差估计Y
DELTA。它假设polyfit函数数据输入的误差是独立正态的，并且方差为常数。则Y DELTA将至少包含50%的预测值。

4. 用Matlab作线性回归

x=[
1.99 2.00 1.00;
11.43 14.76 12.86;
44.29 50.00 50.00;
72.86 81.43 75.71;
87.61 89.51 87.61;
93.33 92.86 94.29];

day=[1:6]'; %天数

%这里我想，应当是想得到发芽率与天数的关系，而跟组无关
%所以这里我将它们横向求平均。求出每天的平均出芽率

xx=sum(x,2)/size(x,2);

A=[day,ones(size(day))];
c=A\xx;

k=c(1);
b=c(2);
yy=k*day+b;

plot(day,xx,'r*',day,yy)
%红色的*点，是平均出芽率与天数的关系
%线是拟合出来的


%=====================================
%那我就拿第一组做试验
%实际上就是将xx=sum(x,2)/size(x,2)
%这句改成xx=x(:,1);  
%第二组，你就改成xx=x(:,2);


x=[
1.99 2.00 1.00;
11.43 14.76 12.86;
44.29 50.00 50.00;
72.86 81.43 75.71;
87.61 89.51 87.61;
93.33 92.86 94.29];

day=[1:6]'; %天数
xx=x(:,1);
A=[day,ones(size(day))];
c=A\xx;

k=c(1);
b=c(2);
yy=k*day+b;

plot(day,xx,'r*',day,yy)

5. matlab线性回归

n=[1.5464 1.5227 1.5092 1.4998]

λ=[404.7 435.8 546.1 577.0]

D=λ^2
D=【                 】
E=inv(D)
设L=n-a
b=L/D
b=(n-a)/D    b=n/D-a/D            

或者 n＊（λ^2）=a＊（λ^2）+b     
         令Q=n＊（λ^2）
     Q=a＊λ^2+b  
        Q已知，λ^2已知， b=Q-a＊λ^2

你的系数加哪个位置的，可以继续参考解下来

6. 如何用matlab进行逐步回归法分析

1、首先打开matlab软件。

2、创建一个自己需要使用的数学模型，如图所示。

3、根据传递函数，绘制根轨迹图。

4、得到根轨迹图，利用rlocfind函数计算用户选定点的增益和其它闭环极点。

5、进行根轨迹分析，如图所示。

6、在逐步回归法分析工具界面查看它的bode图。

7. 如何用Matlab求自回归模型系数

用Matlab求自回归模型（拟合方程）系数的方法比较多，最常用的有
1、多元线性方程——可以用regress（）函数
a=regress(y,X)
2、多元非线性方程——可以用nlinfit（）函数或lsqcurvefit（）函数
a=nlinfit(x,y,func,x0);
a=lsqcurvefit(func,x0,x,y)
说明：
x、y为已知对应的数据
func为自定义回归方程
x0为x的初值
a为自定义回归方程的系数

8. 如何用Matlab求自回归模型系数

用Matlab求自回归模型系数方法：
用Matlab求自回归模型（拟合方程）系数的方法比较多，最常用的有
1、多元线性方程——可以用regress（）函数
a=regress(y,X)
2、多元非线性方程——可以用nlinfit（）函数或lsqcurvefit（）函数
a=nlinfit(x,y,func,x0);
a=lsqcurvefit(func,x0,x,y)
说明：
x、y为已知对应的数据
func为自定义回归方程
x0为x的初值
a为自定义回归方程的系数