多元线性回归_多元线性回归MATLAB代码_多元线性回归_

clear all clc %% 导入数据 load E:\毕业设计\实验数据\新建文件夹\milk_pca_t.mat; load E:\毕业设计\实验数据\新建文件夹\PH1.mat; data1(1,:)=milk_pca_t(2,:); for i=2:10 data1(i,:)=milk_pca_t(7*(i-2)+3,:); end %% 调用函数,每行表示一个样本 Y=PH1; X=data1(1:10,:); X=[ones(length(Y),1),X]; %% b回归系数，bint回归系数的区间估计，r残差，rint残差置信区间 [b,bint,r,rint,stats]=regress(Y,X); % stats检验回归模型的统计量：相关系数R2、F值、与F对应的概率p，误差方差。 % 相关系数R2越接近1，说明回归方程越显著； % F >F1-α（k，n-k-1）时拒绝H0，F越大，说明回归方程越显著； % 与F对应的概率p拒绝H0时，回归模型成立；p值在0.01-0.05之间，越小越好。 %% 预测 load E:\毕业设计\实验数据\新建文件夹\milk1_pca_t.mat; dataa=milk1_pca_t; for i=1:10 yy(5*(i-1)+1:5*i,1)=Y(i,1); end xx=[ones(length(yy),1),dataa]; for i=1:50 content(i,1)=sum(diag(b*xx(i,:))); %diag取矩阵对角线上的数 error(i,1)=abs(content(i,1)-yy(i,1))/yy(i,1); %相对误差 end error_milk1_t_mm=sum(error)/length(error) for i=1:10 error_milk1_t_mmall(i,1)=sum(error(1+5*(i-1):5*i,1))/length(error(1+5*(i-1):5*i,1)); end error_milk1_t_mmall %% 归一化 nnmin=min(error); nnmax=max(error); error_per=(error-nnmin)/(nnmax-nnmin); error_milk1_t_mmmm=sum(error_per)/length(error_per) %% 对多元线性回归模型的回归系数β做t检验和F检验 % x=rand(50,10);y=rand(50,1); % example % [n,k]=size(x); % X=[ones(n,1),x];%构建结构阵X % A=X'*X; %求算信息阵A % C=inv(A); %求算信息阵的逆阵 % b=X\y; % 求算回归统计数向量，其中第一行为回归截距a % RSS=y'*y-b'*X'*y;%求算离回归平方和 % MSe=RSS/(n-k-1);%求算离回归方差 % Up=b.*b./diag(C);%求算偏回归平方和，其中第一行是a与0差异的偏平方和 % F=Up/MSe;%F测验，其中第一行为a与0差异的F值 % sb=sqrt(MSe*diag(C)); %求算回归统计数标准误 % t=b./sb;% 回归统计数的 t 测验，其中第一行为a与0差异的t测验值 % [t, t.^2, F];%验证t^2=F % SSy=var(y)*(n-1) % R2=(SSy-RSS)/SSy