⑴ 用matlab對一組數據的最小二乘法的多元線性回歸分析~
可以用函數 regress( )來解決。
[b,bint,r,rint,stats] = regress(y,X)
b——擬合線性函數的系數
bint——系數b的置信區間
r——殘值向量
rint——殘值的置信區間
stats——檢驗統計量，第一值是回歸方程的置信度，第二值是F統計量，第三值是與F統計量相應的p值，當p值很小，說明回歸模型成立
X——自變數向量，X=[ones(3,1) x1 x2 x3]
y——應變數向量
⑵ 怎麼用MATLAB進行多元回歸計算
這是數據擬合吧
多項式擬合才用POLYFIT這個命令.
非線性擬合可以用以下命令:
不過這兩個一般應用於二維的情況,不知道三維的能不能行得通.沒試過
1.beta = nlinfit(X,y,fun,beta0)
X給定的自變數數據,Y給定的因變數數據,fun要擬合的函數模型(句柄函數或者內聯函數形式),
beta0函數模型中系數估計初值,beta返回擬合後的系數
2.x = lsqcurvefit(fun,x0,xdata,ydata)
fun要擬合的目標函數,x0目標函數中的系數估計初值,xdata自變數數據,ydata函數值數據
X擬合返回的系數(擬合結果)
因為你沒給出T,t及其相對應y的數據,所以只能自己完成了
⑶ MATLAB怎麼做多元線性回歸，並對偏回歸
進行多元線性回歸統計數F, t 測驗的小程序：
clear,clc
x=rand(50,10);y=rand(50,1); % example
[n,k]=size(x);
X=[ones(n,1),x];%構建結構陣X，
A=X'*X; %求算信息陣A，
C=inv(A); %求算信息陣的逆陣，
b=X\y, % 求算回歸統計數向量，其中第一行為回歸截距a,
RSS=y'*y-b'*X'*y, %求算離回歸平方和，
MSe=RSS/(n-k-1),%求算離回歸方差，
Up=b.*b./diag(C);%求算偏回歸平方和，其中第一行是a與0差異的偏平方和，
F=Up/MSe,%F測驗，其中第一行為a與0差異的F值，
sb=sqrt(MSe*diag(C)); %求算回歸統計數標准誤，
t=b./sb, % 回歸統計數的 t 測驗，其中第一行為a與0差異的t測驗值。
[t, t.^2, F],%驗證t^2=F
SSy=var(y)*(n-1)
R2=(SSy-RSS)/SSy
順便說一下，你的ttest(x,m)的 t 測驗指的是單個樣本（平均數）與 m 之間差異顯著性的 t 測驗，而非多元線性回歸系數的 t 測驗。
⑷ matlab做多元回歸分析時怎麼處理啞變數有例子最好，請指導
用mmyvar()函數
比如你有一列是啞變數列，設它為x_i = [1;3;2;1;1]，一共有3個可能的離散取值
啞變數分離就是將這個變數分離為3個變數，每個變數取0或1：
xi_mmy = mmyvar(xi);
結果就是:
xi_mmy =
[1 0 0;0 0 1;0 1 0;1 0 0;1 0 0]
⑸ 利用怎麼matlab軟體建立多元回歸數學模型
如何利用matlab軟體建立多元回歸數學模型的方法有：
1、多元回歸數學模型是線性的，可以用regress（）函數求得。例如
f(x1,x2,x3)=a1+a2*x1+a3*x2+a4*x3 %多元線性回歸函數
求解方法：
x1=[。。。];x2=[。。。];x3=[。。。];
X=[ones(n,1)x1 x2 x3];
y=[。。。];
a = regress(y,X); %ai為多元線性回歸函數的擬合系數
2、多元回歸數學模型是非線性的，可以用lsqcurvefit（）或nlinfit（）函數求得。例如
f(x1,x2,x3)=a1+a2*exp（x1）+a3*exp（x2）+a4*exp（x3） %多元非線性回歸函數
求解方法：
x1=[。。。];x2=[。。。];x3=[。。。];y=[。。。];
x=[x1 x2 x3];
func=@(a,x)a(1)+a(2)*exp（x:1）+a(3)*exp（x:2）+a(4)*exp（x:3）;%自定義函數
x0=[1 1 1]; %初值(根據問題來定)
a=lsqcurvefit(func,x0,x,y) %ai為多元非線性回歸函數的擬合系數
或 a= nlinfit(x,y,func,x0)
⑹ matlab多元線性回歸
y=[320 320 160 710 320 320 320 160 710 320];
x1=[2.3 1.7 1.3 1.7 1.7 1.6 1 1.7 1.7 1.7];
x2=[2.3 1.7 1.7 1.6 1.7 1.7 1 1.7 1.7 1.7];
x3=[2.3 1.7 1.3 1.7 1.7 1.7 2 1.7 1.7 1.7];
x4=[2.3 1.7 1.7 1.7 1.7 1.7 1 1.7 1.8 2.7];
x5=[2.3 1.7 1.7 1.3 1.7 1.4 1 1.7 1.7 1.7];
x6=[2.3 1.7 1.7 1.7 1.5 1.7 1 1.7 1.7 1.7];
x7=[2.3 1.7 1.7 1.7 1.7 1.4 1 1.7 1.7 1.7];
x8=[2.3 1.7 1.7 1.7 1.7 1.7 1 1.7 1.7 1.7];
x9=[2.3 1.7 1.7 1.4 1.7 1.7 1 1.7 1.7 1.7];
x10=[2.3 1.7 1.7 1.7 1.5 1.7 1 1.7 1.7 1.7];
Y=y';
X=[ones(length(y),1),x1',x2',x3',x4',x5',x6',x7',x8',x9',x10'];
[b,bint,r,rint,stats]=regress(Y,X)
⑺ 如何用matlab線性回歸分析
回歸分析是處理兩個及兩個以上變數間線性依存關系的統計方法。可以通過軟體Matlab實現。
在Matlab中，可以直接調用命令實現回歸分析，
（1）[b,bint,r,rint,stats]=regress(y,x)，其中b是回歸方程中的參數估計值，bint是b的置信區間，r和rint分別表示殘差及殘差對應的置信區間。stats包含三個數字，分別是相關系數，F統計量及對應的概率p值。
（2）recplot(r,rint)作殘差分析圖。
（3）rstool(x,y)一種互動式方式的句柄命令。