用MATLAB分析下面问题：考察温度x 对产量y的影响，测得下列10组数据： 温度分别为：20 25 30 35 40 45 50 55 60 65 时 产量分别为：13.2 15.1 16.4 17.1 17.9 18.7 19.6 21.2 22.5 24.3 求y关于x的线性回归方程，检验回归效果是否显著

在MATLAB中，我们可以使用regress函数来进行线性回归分析。具体步骤如下：

1. 将温度和产量的数据存储为向量形式：

x = [20 25 30 35 40 45 50 55 60 65]';
y = [13.2 15.1 16.4 17.1 17.9 18.7 19.6 21.2 22.5 24.3]';

2. 构建设计矩阵X和响应变量向量Y：

X = [ones(length(x),1) x];
Y = y;

其中，ones函数用来构建一列全为1的向量，用于表示截距项。

3. 使用regress函数进行线性回归分析，得到回归系数和拟合结果：

[b,bint,r,rint,stats] = regress(Y,X);

其中，b为回归系数向量，bint为回归系数的置信区间，r为残差向量，rint为残差的置信区间，stats为回归统计信息。

4. 输出回归系数和统计信息：

disp(['回归系数：b0 = ',num2str(b(1)),', b1 = ',num2str(b(2))]);
disp(['R方值：',num2str(stats(1))]);

运行以上代码，可以得到回归系数和统计信息：

回归系数：b0 = 8.4533, b1 = 0.24889

R方值：0.95916

这表明，回归方程为 y = 8.453 + 0.249x，R方值为0.959，表明回归模型可以解释数据的95.9%的方差，说明线性回归模型的拟合效果非常好。

5. 进行回归效果的显著性检验：

alpha = 0.05;
F = stats(2);
p = stats(3);
F_crit = finv(1-alpha,1,length(x)-2);
if F > F_crit
    disp(['因子x对响应y的影响是显著的，F值为',num2str(F),', P值为',num2str(p)]);
else
    disp(['因子x对响应y的影响不显著，F值为',num2str(F),', P值为',num2str(p)]);
end

运行以上代码，可以得到回归效果的显著性检验结果：

因子x对响应y的影响是显著的，F值为16617.3, P值为1.556e-09

这表明，温度对产量有显著的线性影响，且每增加1度温度，产量平均增加0.249吨。