%多元线性回归求解 clear clc x=[15037 18.8 1366 17001 18 1519 18718 3.1 1644 21826 3.4 1893 26937 6.4 2311 35260 14.7 2998 48108 24.1 4044 59811 17.1 5046 70142 8.3 5846 78061 2.8 6420 83024 -0.8 6796 88479 -1.4 7159 98000 0.4 7858 108068 0.7 8622 119096 -0.8 9398 135174 1.2 10542 159587 3.9 12336 184089 1.8 14040 213132 1.5 16024 235367 1.7 17535 277654 1.9 19264]; y=[15.73 15.04 14.39 12.98 11.6 11.45 11.21 10.55 10.42 10.06 9.14 8.18 7.58 6.95 6.45 6.01 5.87 5.89 5.38 5.24 5.45]; [m,n]=size(x); X=[ones(m,1) x]; [m1,n1]=size(X); [m2,n2]=size(y); for i=1:n2 %b 为参数，bint 回归系数的区间估计，r 为残差， %rint 为置信区间，stats 用于回归模型检验 [b(:,i),bint,r,rint,stats(i,:)]=regress(y(:,i),X); [mm,nn]=size(b); for jj=1:m1 temp=0; for ii=1:mm yy(jj,i)=temp+b(ii,i)*X(jj,ii); temp=yy(jj,i); end end xiangdui_wucha(1,i)=abs(abs(y(1,i))-abs(yy(1,i)))/abs(y(1,i)); if n2~=1 subplot(2,n2/2,i); rcoplot(r,rint)%残差分析，作出残差及其置信区间 else rcoplot(r,rint)%残差分析，作出残差及其置信区间 end end disp('参数'); b %参数计算 disp('预测结果'); yy %检验回归模型：相关系数 r^2=stats(1,:)越接近 1 回归方程越显著 %F=stats(2,:)值越大回归方程越显著、p=stats(3,:)<0.01 时回归模型成立 disp('回归模型检验:'); format long stats for i=1:n2 if (stats(i,4)<0.01)&(stats(i,1)>0.6) disp('回归方程显著-------模型成立'); end end format short disp('相对误差'); xiangdui_wucha%第一行原始值与预测值的相对误差 xx=[1:21]; plot(xx,y,'b',xx,yy,'r',xx,r,'g'); legend('蓝色--实际曲线','红色--拟合曲线','绿色--残差曲线') 对残差图进行分析，对实际曲线、拟合曲线和残差曲线进行分析

这是一个多元线性回归求解的程序，数据包括自变量 x 和因变量 y，程序使用了 regress 函数进行回归分析，然后进行了回归模型的检验，包括相关系数 r^2、F 统计量和 p 值。在绘制实际曲线、拟合曲线和残差曲线后，对残差图进行了分析。可以看到程序非常详细，对于需要进行多元线性回归求解的人来说是非常有用的。

相关问题

%调用格式 [b,bint,r,rint,stats]=regress(s,x,alpha) %开始多元回归 clear all clc x1=[3,4,5,6,7,8,9]; x2=[20,20,22,24,26,28,30]; x3=[0,2,4,6,8,10,10]; s=[5,5,6,8,8,9,10]; save data x1 x2 x3 x4 y%保存数据 load data %取出数据 y=[y'];%转置矩阵 x=[ones(size(x1')),x1',x2',x3']; [b,bint,r,rint,stats]=regress(y,x)

这段代码实现了多元线性回归分析。其中，x1、x2、x3分别表示自变量的三个变量，s表示因变量，使用save将数据保存到data.mat文件中，然后使用load加载数据。y和x分别表示因变量和自变量矩阵，其中x的第一列为1，表示常数项。regress函数用于进行多元线性回归分析，返回回归系数b、置信区间bint、残差r、残差置信区间rint和统计量信息stats。alpha表示置信水平。

clc; clear; m=500000; %总质量 co=4500; cv=150; %%%%%%%%%%chen ca=1; g=9.8; center1=-1.5:0.1:1.5; center=[center1;center1]; % 神经网络中心 width=2; % 神经网络宽度 % rbfc=3000*ones(31,1); % 神经网络加权矩阵 % kesi=0.008; kesi0=0.01; %dd=500; deta0=0.001; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%调节参数 ro=1; rv=1; ra=1; rm=1; r2=1; gama=1*eye(31); roo=1; ww=1; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%初值 z1=0.1; z2=0.1*10^6; v_max=0.5*10^6; % v_max=0.7*10^6; v_min=-0.5*10^6; aa=1;

这段代码是一个MATLAB程序的开头部分，主要包括了清空变量、设置初始值、定义一些常数等内容。具体来说：

- clc和clear语句用于清空命令窗口和工作空间中的变量。

- m表示系统的总质量，co、cv和ca分别表示系统的热容、容积和压缩系数。

- g表示重力加速度，center1是一个向量，表示神经网络中心的初始值。

- center是一个2行31列的矩阵，表示神经网络中心的初始值。

- width表示神经网络的宽度，rbfc是一个31行1列的向量，表示神经网络加权矩阵的初始值。

- kesi、kesi0、deta0等变量是一些调节参数，用于控制程序的运行效果。

- ro、rv、ra、rm、r2、gama、roo、ww等变量也是一些常数，用于计算系统的物理量。

- z1、z2等变量是一些初始值，用于进行仿真计算。

- v_max和v_min分别表示系统速度的最大值和最小值，aa是一个常数，用于计算系统的加速度。

需要注意的是，这段代码只是程序的开头部分，具体的仿真计算过程可能在后续的代码中实现。