一：多项式回归分析属于线性回归分析吗
通过残差与拟合值的散点图判断是否为有弯曲状；有弯曲的话使用二元或者多元线性回归即曲线回归。
二：MATLAB中多元线性回归命令 （除了regress）
二、一元线性回归
2．1．命令 polyfit最小二乘多项式拟合
[p，S]=polyfit（x，y，m）
多项式y=a1xm+a2xm-1+…+amx+am+1
其中x=（x1，x2，…，xm）x1…xm为（n*1）的矩阵;
y为（n*1）的矩阵；
p=（a1，a2，…，am+1）是多项式y=a1xm+a2xm-1+…+amx+am+1的系数；
S是一个矩阵，用来估计预测误差.
2．2．命令 polyval多项式函数的预测值
Y=polyval（p，x）求polyfit所得的回归多项式在x处的预测值Y；
p是polyfit函数的返回值；
x和polyfit函数的x值相同。
2．3．命令 polyconf 残差个案次序图
[Y，DELTA]=polyconf（p，x，S，alpha）求polyfit所得的回归多项式在x处的预测值Y及预测值的显著性为1-alpha的置信区间DELTA；alpha缺省时为0.05。
p是polyfit函数的返回值；
x和polyfit函数的x值相同；
S和polyfit函数的S值相同。
2．4 命令 polytool（x，y，m）一元多项式回归命令
2．5．命令regress多元线性回归（可用于一元线性回归）
b=regress( Y, X )
[b, bint,r,rint,stats]=regress(Y,X,alpha)
b 回归系数
bint 回归系数的区间估计
r 残差
rint 残差置信区间
stats 用于检验回归模型的统计量，有三个数值：相关系数R2、F值、与F对应的概率p,相关系数R2越接近1，说明回归方程越显著；F > F1-α（k，n-k-1）时拒绝H0，F越大，说明回归方程越显著；与F对应的概率p 时拒绝H0，回归模型成立。
Y为n*1的矩阵；
X为（ones(n,1),x1,…,xm）的矩阵；
alpha显著性水平（缺省时为0.05）。
三、多元线性回归
3．1．命令 regress（见2。5）
3．2．命令 rstool 多元二项式回归
命令：rstool（x，y，’model’, alpha）
x 为n*m矩阵
y为 n维列向量
model 由下列4个模型中选择1个（用字符串输入，缺省时为线性模型）：
linear（线性）：
purequadratic（纯二次）：
interaction（交叉）：
quadratic（完全二次）：
alpha 显著性水平（缺省时为0.05）
返回值beta 系数
返回值rmse剩余标准差
返回值residuals残差
四、非线性回归
4．1．命令 nlinfit
[beta,R常J]=nlinfit(X,Y,’’model’,beta0)
X 为n*m矩阵
Y为 n维列向量
model为自定义函数
beta0为估计的模型系数
beta为回归系数
R为残差
J
4．2．命令 nlintool
nlintool(X,Y,’model’,beta0,alpha)
X 为n*m矩阵
Y为 n维列向量
model为自定义函数
beta0为估计的模型系数
alpha显著性水平（缺省时为0.05）
4．3．命令 nlparci
betaci=nlparci(beta,R,J)
beta为回归系数
R为残差
J
返回值为回归系数beta的置信区间
4．4．命令 nlpredci
[Y,DELTA]=nlp......余下全文>>
三：如何用EXCEL做二阶多项式回归分析
1.打开Excel.2010，首先输入课本例题7.1的全部数据，2012年各地区农村居民家庭人均纯收入与人均消费支出，如图
2.做题之前，我们先为Excel.2010注入回归分析的相关内容，点击【文件】，选择左下角的【选项】，出来如图，选择【加载项】，点击【转到】。
3.进入加载宏，选择【分析工具库】，点击确定。
4.进入【数据】，就会发现最右面出现了【数据分析】这一项。
5.点击数据分析之后选择【回归】，确定，这样就为Excel.2010导入了数据分析的功能，进行回归分析了，选择X、Y值的区域，其他不变的，点击确定。
6.最后，就是需要的内容，根据数据进行分析，可以得出样本的回归函数：
Yi=1004.539839+0.614539172925018Xi【具体看做的题目】
四：用matlab或spss将一组数据怎么拟合成多元多项式 10分
程序：
clearclc;X1=[2187.45 2482.49 2969.52 3585.72 4282.14 4950.91 5813.56 6801.57 7806.53 8201.23 禒510.91 ];X2=[701.24 724.57 746.62 778.27 800.80 827.75 846.43 861.55 876.83 891.23 1035.79];X3=[30.68 42.86 47.44 61.87 79.50 115.70 156.60 193.50 218.58 237.84 272.96];y=[201.90 219.00 221.10 324.50 346.97 332.90 359.53 406.98 440.69 475.96 479.25]; X = [ones(length(X1),1),X1',X2',X3'];Y = y';b = regress(Y,X)myY = X*b;plot(y,'r')hold onplot(myY,'g')legend('原始数据曲线','拟合数据曲线','Location','best')title('回归分析')xlabel('x')ylabel('y')
结果：
b =
339.9521 0.1381 -0.5102 -2.3197
绘图：
copyright(c) cxd1301
五：用spss进行二次多项式回归分析，如何用逐步回归的方法来确定回归方程？
3个自变量之和是1的时候，随便排除一个，只需要2个自变量进入方程就好了。
六：求DPS数据处理软件中---多元回归---二次多项式逐步回归分析 30分
分数拿来没用的
做专业数据统计分析，找我吧
七：如何用matlab进行多元线性回归分析
在matlab中regress（）函数和polyfit（）函数都可以进行回归分析。
（1）regress（）函数主要用于线性回归，一元以及多元的。它可以提供更多的信息，残差之类的。
（2）polyfit（）函数是利用多项式拟合。可以是线性也可以是非线性的。
regress（）函数详解
[b，bint，r,rint，stats]=regress(y,X，alpha)
说明：b是线性方程的系数估计值，并且第一值表示常数，第二个值表示回归系数。bint是系数估计值的置信度为95％的置信区间，r表示残差，rint表示各残差的置信区间，stats是用于检验回归模型的统计量，有三个数值其中有表示回归的R2统计量和F以及显著性概率P值，alpha为置信度。
相关系数r^2越大，说明回归方程越显著；与F对应的概率P
y表示一个n-1的矩阵，是因变量的值，X是n-p矩阵，自变量x和一列具有相同行数，值是1的矩阵的组合。如：对含常数项的一元回归模型，可将X变为n-2矩阵，其中第一列全为1。
ONES(SIZE(A)) is the same size as A and all ones。
利用它实现X=[ones（size（x））x]
（2）polyfit（）函数详解-------------摘自sina小雪儿博客
p=polyfit(x,y,n)
[p,s]= polyfit(x,y,n)
说明：x,y为数据点，n为多项式阶数，返回p为幂次从高到低的多项式系数向量p。x必须是单调的。矩阵s用于生成预测值的误差估计。(见下一函数polyval)
多项式曲线求值函数：polyval( )
调用格式： y=polyval(p,x)
[y,DELTA]=polyval(p,x,s)
说明：y=polyval(p,x)为返回对应自变量x在给定系数P的多项式的值。
[y,DELTA]=polyval(p,x,s) 使用polyfit函数的选项输出s得出误差估计Y
DELTA。它假设polyfit函数数据输入的误差是独立正态的，并且方差为常数。则Y DELTA将至少包含50%的预测值。
八：多项式回归分析R平方怎么求？ 用matlab怎么编程？
clc,clear,clf
x=[19.1,25.0,30.1 36 40 45.1 50 ];
y=[76.3 77.8穿79.75 80.8 82.35 83.9 85.1 ];
plot(x,y,'or')
title('电阻与温度之间的关系')
n=length(x);
B1=(n*sum(x.*y)-sum(x)*sum(y))/(n*sum(x.^2)-sum(x)^2);
B0=mean(y)-B1*mean(x);
sprintf('y=%f+%f*x',B0,B1) %y=70.762374+0.288069*x
%%下面求R值，即求相关性
Rfenzi=sum((x-mean(x)).*(y-mean(y)));
Rfenmu=sqrt(sum((x-mean(x)).^2).*sum((y-mean(y)).^2));
R=Rfenzi/Rfenmu %R =0.9978
%%求拟合后的曲线
hold on
x=19:0.1:50;
plot(x,B0+B1.*x)
这是我之前在课堂上做的小作业，里面涉及到 R的求法，然后，你就可以求R^2了
希望对你有所帮助
扫一扫手机访问
