大鲵体重与体型关系模型

大鲵体重与体型关系模型内容摘要：

10ˆ...ˆˆˆ  ）（ (7) ppp xbxbxbbxxx  2211021 ), .. .,( 的估计是 pp xbxbxbby ˆˆˆˆˆ 22110  （ 8） 公式（ 8）为 P 元经验线性回归方程。 基于 Matlab 的多元回归模型求解 （ 1） b=regress(Y, X ) 确定回归系数的点估计值 npnnppxxxxxxxxxX.. .1.... ........ ...... .1.. .1212222111211,nyyyY...21,pbbbB...10 （ 2） [b,bint,r,rint,stats]=regress(Y,X,alpha) 求回归系数的点估计和区间估计、并检 验回归模型 ① intb :表示回归系数的区间估计 . ② r ：表示残差 ③ intr ：表示置信区间 ④ stats :表示用于检验回归模型的统计量 ,有三个数值：相关系数 2r 、 F 值、与 F对应的概率 P 说明：相关系数 2r 越接近 1，说明回归方程越显著； )1,(1  pnpa lp h aFF 时拒绝 0H ， F 越大，说明回归方程越显著；与 F 对应的概率 p 时拒绝 0H ，回归模型成立。 ⑤ alpha 表示显著性水平 (缺省时为 ) 5 Matlab运行结果如下： 因此我们可以得到43210bbbbb， 其对应的置信区间），（），（），（），（），（ 2 6 .1 7 8 7 1 3 .1 5 6 5 8 .2 5 9 0 1 .7 7 7 6 1 .0 0 7 3 8 .8 0 2 3 6 .4 2 6 5 0 .1 9 9 12 0 .6 6 9 52 9 .2 1 2 6 ,  pFr 所以 p ， 回归模型： 5321 6 6 7 4 0 0 4 1 2 4 1 xxxxy  ，成立。 6 （ 3） rcoplot(r,rint) 画出残差及其置信区间 图一 （ 4）回归方程的优化： 通过 Matlab作出残差分析（程序代码见附录一），我们可以发现有五个异常点，利用 Matlab剔除这五个异常点，利用 的多元回归模型为： 5321 2 5 1 4 7 5 6 9 7 5 7 xxxxy 。 问题（ 3）的建立与求解 选择最优回归方程时，应考虑以下几点： （ 1）变量完备，回归方程中尽可能包含对因变量有实际影响的自变量 ； （ 2） 模型从简，回归方程所包含的自变量的个数尽可能少； （ 3） 充分拟合，回归方程的剩余方差尽可能小。 最优回归方程方法步骤（利用逐步回归法）： （ 1）根据问题所属专业领域的理论和经验提出对因变量可能有影响的所有量； （ 2） 计算各个自变量对因变量的相关系数，按其绝对值从大到小排列； （ 3）取相关系数绝对值最大的自变量建立一元线性回归模型，检验所得回归方程的显著性，若检验表明回归效果显著则转入（ 4），若回归效果不显著则停止建模； （ 4）进行变量的追加、剔除和回归方程的更新操作。 7 Matlab的最优回归方程求解 利用 Matlab中 stepwisefit函数（程序代码见附录二）根据最优回归方程的步骤得出： （ 1）各变量在在回归方程中的地位： Matlab运行结果如下： 因此我们可以得到3210bbbb回归系数显著性指标。