识别对PM2.5浓度影响显著的变量，并对他们的作用进行定量分析，用回归分析方法MATLAB完整代码

以下是一个基于回归分析的MATLAB代码示例，用于识别和分析对PM2.5浓度影响显著的变量：

% 读取数据
data = readtable('空气污染物数据.xlsx');

% 选择需要分析的变量
selectedVars = {'PM2_5', 'AQI', 'CO', 'NO2', 'O3', 'SO2', 'TEMP', 'PRES', 'DEWP', 'RAIN', 'WSPM'};
X = data(:, selectedVars);

% 移除有缺失值的行
X = rmmissing(X);

% 将变量标准化
X = normalize(table2array(X));

% 提取 PM2.5 浓度作为响应变量
y = X(:, 1);
X = X(:, 2:end);

% 计算每个变量的相关系数，并绘制相关系数矩阵
corrMat = corrcoef(X);
heatmap(corrMat, 'Colormap', 'redblue', 'ColorbarVisible', 'off', 'XLabel', selectedVars(2:end), 'YLabel', selectedVars(2:end));

% 拟合线性回归模型
mdl = fitlm(X, y, 'linear');

% 显示回归模型摘要
disp(mdl);

% 绘制残差图
plotResiduals(mdl, 'fitted');

% 显示每个变量的系数及其显著性
disp(mdl.Coefficients);

% 绘制变量重要性图
bar(mdl.Coefficients.Estimate(2:end));
xticklabels(selectedVars(2:end));
ylabel('变量系数');

这段代码首先从 Excel 文件中读取数据，并选择需要分析的变量。然后，它移除任何包含缺失值的行，并标准化剩余的变量。接下来，它将 PM2.5 浓度提取出来作为响应变量，并计算每个变量之间的相关系数，并绘制相关系数矩阵的热力图。

然后，它使用线性回归模型拟合数据，并显示摘要信息。它还绘制了残差图和每个变量的系数及其显著性。最后，它绘制了一个变量重要性图，用于可视化每个变量对 PM2.5 浓度的影响。