文档介绍：回归分析多元线性回归测16名成年女子的身高与腿长所得数据如下x=[143145146147149150153154155156157158159160162164]';X=[ones(16,1)x];Y=[8885889192939395969897969899100102]';[b,bint,r,rint,stats]=regress(Y,X);b,bint,r,rint,stats:b=regress(y,x)----------------------------------------b=bint=%回归系数的区间估计r=%残差rint=%置信区间stats=%用于检验回归模型的统计量,相关系数、F值、与F对应的概率P>>,作残差图(画出残差及置信区间)rcoplot(r,rint)从残差图能够看出,除第二个数据外,其余数据的残差离零点均较近,且残差的置信区间均包含零点,这说明回归模型y=+,:z=b(1)+b(2)*xplot(x,Y,'k+',x,z,'r')z=多项式回归一元多项式回归y=a1xm+a2xm-1+…+amx+am+1观察物体降落的距离s与时间t的关系,得到数据如下表,求s关于t的回归方程方法一t=1/30:1/30:14/30;s=[];[p,S]=polyfit(t,s,2)-------------------------------------------p=S=R:[3x3double]df:11normr:>>方法二化为多元线性回归:t=1/30:1/30:14/30;s=[];T=[ones(14,1)t'(t.^2)'];[b,bint,r,rint,stats]=regress(s',T);b,stats-------------------------b=stats=+007*0>>多元二项式回归设某商品的需求量与消费者的平均收入、商品价格的统计数据如下,建立回归模型,预测平均收入为1000、=[100060012005003004001300**********];x2=[5766875439];y=[10075807050659010011060]';x=[x1'x2'];rstool(x,y,'purequadratic')----------------------------------------------------可预测平均收入为1000、价格为6时的商品需求量方法二化为多元线性回归:x1=[100060012005003004001300**********];x2=[5766875439];y=[10075807050659010011060]';X=[ones(10,1)x1'x2'(x1.^2)'(x2.^2)'];[b,bint,r,rint,stats]=regress(y,X);b,stats非线性回归出钢时所用的盛钢水的钢包,由于钢水对耐火材料的侵蚀,,测得的数据列于下表: