應(yīng)用多元統(tǒng)計(jì)分析與matlab編程-第四章回歸分析(存儲(chǔ)版)
【正文】 tepwise(x,y(:,1))點(diǎn)擊下一步：P55=1fcdf(P5/( STATS125(4)),1,3012)P55 = 相等再點(diǎn)擊下一步：上圖x4所對應(yīng)的p值為：P7=1fcdf((STATS125(4)*(303) STATS1254(4)*(304))/ STATS1254(4),1,3022)P7 =相等二、雙重篩選回歸的基本步驟P165步驟參考于秀林《多元統(tǒng)計(jì)分析》p246xy=[ 。 。 。 。r=corrcoef(xy)。s21(6,:)=r(6,:)。s22=zeros(7,7)。ones(7,1)diag(s22)./diag(s11)ans = 看是否引入x5n=30。for i=1:7,j=1:7,s12(i,j)=s11(i,j)s11(i,5)*s11(5,j)/s11(5,5)ends12(:,5)=s11(:,5) /s11(5,5)。p1=1。ss2(2,2)=1/ss1(2,2)看是否要去掉y y21s24(6,6)/ss2(1,1)ans = 1s24(7,7)/ss2(2,2)ans =n=30。s25(3,3)=1/s24(3,3)s13=zeros(7,7)。m1=3,p1=2,Fj4=(nm1p1)*( 1s25(6,6)/ss2(1,1))/m1Fj4 = 不去掉因變量。[B,BINT,R,RINT,STATS124]=regress(y1(:,1),[ones(30,1) x1(:,[2 4])]) 。[B,BINT,R,RINT,STATS22]=regress(y1(:,2),[ones(30,1) x1(:,2)]) 。 下一步，將考慮是否引入新的因變量。L2=zeros(7,7)。[B,BINT,R,RINT,STATS15]=regress(y1(:,1),[ones(30,1) x1(:,5)]) 。[B,BINT,R,RINT,STATS121]=regress(y1(:,1),[ones(30,1) x1(:,[2 1])]) 。Fj6=(nm1p1)*ans(2)/p1Fj6 = P6=1fcdf(Fj6,p1, nm1p1)P6 = 拒絕原假設(shè)，不刪除x2 x3 x5再看能否引進(jìn)新的變量(np1m11)*(p1*())ans = 不再引進(jìn)新的自變量。for i=1:7,j=1:7,s25(i,j)=s24(i,j)s24(i,3)*s24(3,j)/s24(3,3)ends25(:,3)=s24(:,3) /s24(3,3)。for i=1:2,j=1:2,ss2(i,j)=ss1(i,j)ss1(i,2)*ss1(2,j)/ss1(2,2)endss2(:,2)=ss1(:,2)/ss1(2,2)。下面看是否引入因變量y2uj=1s23(7,7)/ss1(2,2)n=30。s23(5,:)=s22(5,:) /s22(5,5)。s11(2,:)=s1(2,:) /s1(2,2)。m1=0。引入了因變量，對相關(guān)陣sss做消去變換s21=zeros(7,7)。x=xy(:,[1:5])。97 247 。 。 。 [B,BINT,R,RINT,STATS1254]=regress(y(:,1),[ones(30,1) x(:,[4 2 5])]) 。P126[B,BINT,R,RINT,STATS121]=regress(y(:,1),[ones(30,1) x(:,[2 1])]) 。[B,BINT,R,RINT,STATS14]=regress(y(:,1),[ones(30,1) x(:,4)]) 。108 。 。68 。5 。b=[mxy(6) mxy(7)]39。L4(2,2)=1/L3(2,2)inv([ones(30,1) x(:,[2,3,4,5])]39。P4=1fcdf((npr)*min(V3([3,4,5]))/p,p,npr)% P4= ,不去掉變量，再看是否還要加變量L4YY=L3([6,7],:)。for i=1:7,j=1:7,L3(i,j)=L2(i,j)L2(i,5)*L2(5,j)/L2(5,5)endL3(:,5)=L2(:,5)/L2(5,5)。/L2(i,i)end% V2= r=2。% P2=,引入x4L2=zeros(7,7)。format longinv([ones(30,1) x(:,3)]39。V=zeros(1,5)。 。36 。 。 。)*x(:,[3:5]), U=det(Q)/det(Q+B239。R2= STATS(1)R2 = 第二個(gè)方程的計(jì)算相似。mse39。 ]x=xy(:,[1:5]),y=xy(:,[6,7]), c=[ones(30,1) x], b=inv(c39。62 。 。 。 stepwise(x,y,[1,4]) 再選擇scale inputs 得：stepwise(x1,y,[1,4]) 得：兩對話框右上角相同，即第二部分。故刪除x1，Next Step下方顯示Move x1 out 如果改變penter和premove的大小，則出現(xiàn)的對話框是不一樣的。具體為上面說的對話框中第三部分值。本例中：[0 0 0 0 0。betaci為原始模型的自變量回歸系數(shù)的95%置信區(qū)間。All Step 可以馬上顯示最后的逐步回歸結(jié)果。柱狀圖中間的紅點(diǎn)，為對應(yīng)回歸系數(shù)的值。 如果最小的P值小于等于給定penter，或最大的P值大于等于給定的premove，則每一步都是選擇最大的F值（或的P值最小的）變量引進(jìn)模型。y為因變量n1列向量。 回歸變量的選擇與逐步回歸二、逐步回歸（stepwise ） 逐步回歸分三種：l 向前選擇法，從模型中無自變量開始，根據(jù)給定的條件，每次將一個(gè)最符合條件的變量進(jìn)入模型，直至所有符合條件的變量都進(jìn)入模型為止。Inmode缺失時(shí)，表明最初沒有包括自變量，只包括n1全為1的列向量。值得注意的是，以增加一個(gè)變量為例，新模型中F值等于新模型中增加變量對應(yīng)的t值的平方，新模型中F值對應(yīng)的P值等于新模型中增加變量對應(yīng)t值的P值。在此例中，全為紅色，說明原始模型自變量是包括只有全為1列向量。y=x3 回歸系數(shù)t值：紅色對應(yīng)的方程為在上面這個(gè)藍(lán)色方程上，加以相應(yīng)的變量所得方程。rmse為逐步回歸各步對應(yīng)的模型的標(biāo)準(zhǔn)誤差。第二步原始模型中x3在原始模型中。因?yàn)閷υ捒蛑?，三個(gè)紅色的p值x2的最?。ɑ騮值的絕對值最大）。 還有，在對話框中，點(diǎn)擊菜單Stepwise，選擇scale inputs，則是先把所有自變量標(biāo)準(zhǔn)化，再進(jìn)行逐步回歸。 多因變量的多元線性回歸 xy=[ 。 。 。 。R2=[norm(pf(:,1))^2 norm(pf(:,2))^2]./(30*std(y,1).^2)R2 = 復(fù)相關(guān)系數(shù)：sqrt(R2)ans = rmse=sqrt(((30*std(y,1).^2)[norm(pf(:,1))^2 norm(pf(:,2))^2])./(306))rmse = 或者：stats=regstats(y(:,1),x,39。,39。*c)*c39。F=(n11)/n2*(1
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1