第7章统计回归模型数学建模知识讲解

实验报告实验名称统计回归模型所属课程数学模型专业信息与计算科学2018年12月26日图1利用MATLAB 的统计工具箱可以得到回归系数及其置信区间（置信水平为0.05）、检验统计量2R ，F ，P 的结果。

见表2：参数参数估计值 参数置信区间 0β5.5863 [4.57436.5983] 1β-0.0031[-0.0056 -0.0006]20.819355R = 6.80359F = 0.0767782p =表2表2显示，20.819355R =指因变量y （单位成本）的81.93%可由模型确定，F 值超过F 检验的临界值，P 小于置信水平，因而模型从整体看是可用的。

表2的回归系数给出了模型中的0β，1β的估计值，则可得到一次线性关系式为y=5.5863-0.0031x （x ≤500）（2）对该模型做残差图：图2可以看出上面第二个点位异常点，去除第二个点后再进行拟合。

利用MATLAB 的统计工具箱可以得到回归系数及其置信区间（置信水平为0.05）、检验统计量2R ，F ，P 的结果。

见表3：参数参数估计值 参数置信区间 0β 5.5749 [5.0902 ， 6.0596] 1β-0.0032[-0.0044 ， -0.0020]20.976132R = F=40.8967 p=0.023882 表3表3显示，20.976132R =指因变量y （单位成本）的97.61%可由模型确定，F 值超过F 检验的临界值，P 小于置信水平，因而模型从整体看是可用的。

表3的回归系数给出了模型中的0β，1β的估计值，则可得到一次线性关系式为y=5.5749-0.0032x （x ≤500） （3）3.2模型二的建立与求解令生产批量为x ，单位成本为y 元，当x >500时，y 与x 满足一种线性关系，则可建立线性回归模型。

022y X ββε=++（4）其中0β，2β是待估计的回归系数，ε是随机误差。

统计回归模型姓名：姚敏俊 班级：08数学（1）班 学号 08070210025摘要随着社会经济的飞速发展，社会人员更关心的是自己的社会福利和工资待遇问题。

在这里我们就中学教师的工资待遇问题建立了模型，并对模型作出了一系列讨论。

如：教师的薪金与他们的工作时间1x 、性别2x 、学历4x 、以及培训情况6x 等因素之间的关系。

我们首先利用MATLAB(程序见附录五)软件作出薪金与老师工作时间的散点图，如图（二），然后假设工作时间与教师薪金为线性关系，其关系式如模型（一）；再运用统计回归模型分别从各个方面特别考虑了中学女教师的工资待遇是否受她们的婚姻状况3x 的影响。

经过对模型的各个变量的逐步回归和作残差图，详见图我们从众多变量中挑选出了对教师薪金y 影响最大的变量4x 及1x ，各个变量对教师的薪金的影响的回归系数如图（三），程序见附录（二）。

从影响系数的表图中我们得出了学历对教师的薪金的影响最大。

经过对模型的分析、讨论和进一步的优化，此模型还可以运用到市场调查、教师调研、影响农作物生长的的因素等等相关问题上。

模型（一）：ε+*+*+*+*+*+*+*+=776655443322110x a x a x a x a x a x a x a a y 模型（二）：44110x a x a a y *+*+=关键词：散点图 线性关系 统计回归模性 回归系数 逐步回归一、问题重述每地人事部门研究中学教师的薪金与他们的资历、性别、教育程度、及培训情况等因素之间的关系，要建立一个数学模型，分析人事策略的合理性，特别是考察女教师是否受到不公正的待遇，以及她们的婚姻状况是否会影响收入。

为此，从当地教师中随机选中3414位进行观察，然后从中保留了90个观察对象，得到关键数据。

二、问题分析与假设分析：本题要求我们分析教师薪金与他们的资历、性别、教育程度及培训情况等因素之间的关系。

按到日常生活中的常识，教师薪金应该与他们的资历、受教育程度有密切关系，资历高、受教育程度高其薪金也应该相应的要高，与其性别、婚姻状况应该没有必然的联系。

数学建模大作业摘要某公司想用全行业的销售额作为自变量来预测公司的销售额，题目给出了1977—1981此公司的销售额和行业销售额的分季度数据表格。

通过对所给数据的简单分析，我们可以看出：此公司的销售额有随着行业销售额的增加而增加的趋势，为了更加精确的分析题目所给的数据，得出科学的结论，从而达到合理预测的目的。

我们使用时间序列分析法，参照课本统计回归模型例4，做出了如下的统计回归模型。

在问题一中，我们使用MATLB数学软件，画出了数据的散点图，通过观察散点图，发现公司的销售额和行业销售额之间有很强的线性关系，于是我们用线性回归模型去拟合，发现有很好的拟合性。

但是这种情况下，并没有考虑到数据的自相关性，所以我们做了下面几个问题的分析来对这个数学模型进行优化。

在问题二中，通过建立了公司销售额对全行业销售额的回归模型，并使用DW检测诊断随机误差项的自相关性。

通过计算和查DW表比较后发现随即误差存在正自相关，也就是说前面的模型有一定的局限性，预测结果存在一定的偏差，还有需要改进的地方。

在问题三中，因为在问题二中得出随即误差存在正自相关，为了消除随机误差的自相关性，我们建立了一个加入自相关后的回归模型。

并对其作出了分析和验证，我们发现加入自相关后的回归模型更加合理。

通过使用我们建立的模型对公司的销售额进行预测，发现和实际的销售额很接近，也就是说模型效果还不错。

关键词：销售额、回归模型、自相关性一、问题提出某公司想用全行业的销售额作为自变量来预测公司的销售额，下表给出了1977-1981年公司销售额和行业销售额的分季度数据（单位：百万元）.（1）画出数据的散点图，观察用线性回归模型拟合是否合适。

（2）监理公司销售额对全行业销售额的回归模型，并用DW检验诊断随机误差项的自相关性。

二、基本假设假设一：模型中ε（对时间t ）相互独立。

三、符号说明公司销售额：y （百万）行业销售额：x （百万） 概念介绍：1.自相关：自相关（auto correlation ），又称序列相关（serial correlation ）是指总体回归模型的随机误差项之间存在的相关关系。

诡计回归总錯由子家观亨•畅内祁规律的复杂及人们认积程盛的限制，无廉分析宾际对隼内衣.的因糸关糸，建立合手机理规律的救学僕宴。

所以我们通过对數据的统计分析，我出与数据拟合录好的模型。

我们通过宾例讨论如何追择不同矣型的換型，对软件得到的姑果进行分析，对模矍进行改进J回归分析步腋如下：•收集一组阖变董和自变萤的数据• 选走因变量和令变量之间的栈型，利用數擁最小二泵准刘计算栈型中的糸救•创用统计分析方法对不同的栈4!进行比较找出与救据拟合得最好的模熨•判靳这俎栈熨是否追合于这俎數据诊斷有无不追合回归棋矍的异常數据•利用模晏对因变董做岀预測与解年卖例分析一、牙育的林a受题a :收集了30个4«@周期本心司牙青锚傅量.价格、Z4#用，A 同期其乞厂彖同典牙青的平的傳价，请根据对數据的处理建立牙育锚©董与价格、户告投入之间的棋熨预测虚不阿价格和/•告费用下的牙根据对题目中數据进行处理，作散点08分析fMATLAB；应用格PIot(x,yJ )Plotfit(x,y,1),其中x 表示y核熨建立与求解級4ty~心甸牙音補©量，冶~其它厂家与本公司价格左y = Q()+ Qz + £(1)X2~^<1广吿费用y = 0o + 0宀 + PiA + £(2)将fb. (2)或子朕立可以得到3)冷木2~解年雯受（回归变交■，角＜4）00，九卩2屆~回归余数£~建机镁迸（拔值为奉的正杰分布随机iiJ刊用MATLAB工典求解可以得到。

格式如下[b,bint,r,rint,rtat$]» regress （y,x,alpha）输入：y~n推數据向董x・[1 XiX2X2?]~nX4數据矩阵，第一刃％全1向量alpha （JL 侑水平,0.05）输出：b~p的估计值bint~b的JL传区间r ~戎；M向董y-xbrint~r 的X^rfiL 间Stats~检絵疣计回归模型；检缺统计爻：2,F,p注：其中以越揍近1越好，F运起过F检絵的临界值，p运小于a・0.05 则可行假如R2,F,p满足条件，则我们说模熨从蔓体上看成立结系分析判靳出R2,F,p均成立，刘模熨可用，但因为卩2的置信区间通i±0点，则说明此项对模型的彩响不显著所以要对棋熨进行发遗。

统计学中的回归模型和分析统计学是一门研究收集、整理、分析和解释数据的学科，而回归模型和分析是其中一个重要的分支。

回归分析是一种通过建立数学模型来描述两个或多个变量之间关系的方法。

本文将介绍回归模型的基本概念、应用场景以及分析方法。

一、回归模型的基本概念回归模型是用来描述自变量（或称解释变量）与因变量之间关系的数学模型。

其中，自变量是可以独立变化的变量，而因变量是随着自变量的变化而相应改变的变量。

回归分析的目标是建立一个最佳的数学模型，以最好地拟合实际观测数据和预测未来结果。

回归模型可以分为线性回归模型和非线性回归模型。

线性回归模型假设自变量和因变量之间存在线性关系，可通过直线或平面来描述；非线性回归模型则是一些更为复杂的模型，如曲线、指数函数等。

在回归分析中，选择合适的回归模型非常重要，可以通过观察散点图、拟合优度指标以及分析残差等方法进行模型的选择和诊断。

二、回归模型的应用场景回归模型在统计学中有广泛的应用，常见的场景包括但不限于以下几个方面：1. 经济学：回归模型可以用来研究经济学中的因果关系，例如预测GDP增长率与各种经济指标的关系、分析利率与股票市场的相关性等。

2. 医学研究：回归模型在医学研究中也有重要的应用。

例如，研究人群中吸烟与患肺癌的风险之间的关系，或者探索不同药物剂量与治疗效果的关联。

3. 社会科学：社会科学研究中常常运用回归模型来探索社会现象的变化和因果关系。

例如，研究教育水平与收入的相关性、家庭背景与孩子学习成绩的关系等。

4. 市场营销：应用回归模型进行市场营销分析可以揭示产品销售与价格、促销活动、广告投入等因素的关系，从而帮助企业做出更精准的市场决策。

三、回归模型的分析方法1. 参数估计：在回归分析中，需要估计回归方程中的参数，常用的方法有最小二乘法，即通过最小化观测值与回归模型之间的残差平方和来估计参数。

2. 模型诊断：回归模型的拟合程度可以通过一些拟合优度指标来评估，例如决定系数R²、调整后的决定系数、F统计量等。

统计回归模型
* 系数：
系数是回归方程中各自变量的参数值，用来解释变量与被解释变量之间的关系。

系数可以是一个正数，也可以是一个负数；系数可以是经过估计或者未经确定的，也可以是一个常量或者变量。

* 截距：
截距是指假设自变量时全部为0时，回归线的y值。

可以用来衡量在x全部为0时，被解释变量变化的强度。

* 回归系数：
回归系数是用来测量被解释变量的变动，并衡量影响被解释变量的自变量变动的效果。

回归系数可以是一个正数，也可以是一个负数。

回归系数的大小可以反应被解释变量的变动程度，可以衡量被解释变量受自变量变量影响的程度。

* R平方：
R平方（即决定系数）是用来衡量回归模型拟合能力的统计量。

该值用来表示预测变量Y的变化量中有多少是被自变量X所解释的。

数值越高表示自变量X解释Y变化的能力越强，模型表现的越好。

R平方的取值范围是0到1之间，当R 平方为1时，表示自变量X解释Y变量完全；当R平方为0时，表示自变量X 解释Y变量完全无效。