一、一元線性回歸
1．1．命令 polyfit最小二乘多項式擬合
[p，s]=polyfit（x，y，m）
多項式y=a1xm+a2xm-1+…+amx+am+1
其中x=（x1，x2，…，xm）x1…xm為（n*1）的矩陣;
y為（n*1）的矩陣；
p=（a1，a2，…，am+1）是多項式y=a1xm+a2xm-1+…+amx+am+1的係數；
s是乙個矩陣，用來估計**誤差.
1．2．命令 polyval多項式函式的**值
y=polyval（p，x）求polyfit所得的回歸多項式在x處的**值y；
p是polyfit函式的返回值；
x和polyfit函式的x值相同。
1．3．命令 polyconf 殘差個案次序圖
[y，delta]=polyconf（p，x，s，alpha）求polyfit所得的回歸多項式在x處的**值y及**值的顯著性為1-alpha的置信區間delta；alpha預設時為0.05。
p是polyfit函式的返回值；
x和polyfit函式的x值相同；
s和polyfit函式的s值相同。
1．4 命令 polytool（x，y，m）一元多項式回歸命令
1．5．命令regress多元線性回歸（可用於一元線性回歸）
b=regress( y, x )
[b, bint,r,rint,stats]=regress(y,x,alpha)
b 回歸係數
bint 回歸係數的區間估計
r 殘差
rint 殘差置信區間
stats 用於檢驗回歸模型的統計量，有三個數值：相關係數r2、f值、與f對應的概率p,相關係數r2越接近1，說明回歸方程越顯著；f > f1-α（k，n-k-1）時拒絕h0，f越大，說明回歸方程越顯著；與f對應的概率p 時拒絕h0，回歸模型成立。
y為n*1的矩陣；
x為（ones(n,1),x1,…,xm）的矩陣；
alpha顯著性水平（預設時為0.05）。
二、多元線性回歸
2．1．命令 regress（見1.5）
2．2．命令 rstool 多元二項式回歸
命令：rstool（x，y，』model』, alpha）
x 為n*m矩陣
y為 n維列向量
model 由下列4個模型中選擇1個（用字串輸入，預設時為線性模型）：
linear（線性）：
purequadratic（純二次）：
interaction（交叉）：
quadratic（完全二次）：
alpha 顯著性水平（預設時為0.05）
返回值beta 係數
返回值rmse剩餘標準差
返回值residuals殘差
三、非線性回歸
3．1．命令 nlinfit
[beta,r,j]=nlinfit(x,y,』』model』,beta0)
x 為n*m矩陣
y為 n維列向量
model為自定義函式
beta0為估計的模型係數
beta為回歸係數
r為殘差
j3．2．命令 nlintool
nlintool(x,y,』model』,beta0,alpha)
x 為n*m矩陣
y為 n維列向量
model為自定義函式
beta0為估計的模型係數
alpha顯著性水平（預設時為0.05）
3．3．命令 nlparci
betaci=nlparci(beta,r,j)
beta為回歸係數
r為殘差
j返回值為回歸係數beta的置信區間
3．4．命令 nlpredci
[y,delta]=nlpredci(『model』,x,beta,r,j)
y為**值
delta為**值的顯著性為1-alpha的置信區間；alpha預設時為0.05。
x 為n*m矩陣
model為自定義函式
beta為回歸係數
r為殘差
線性回歸（Matlab）
單變數線性回歸 假設方程 構造矩陣x時，使x 1 1 代價函式 y是訓練集中實際值，h x 是 值 利用gradient descent 梯度下降 一步步迭代求出使代價函式最小的 注意 對於單變數，是二維的 data load ex1data1.txt x data 1 y data 2 m len...
matlab線性回歸程式
最近用matlab做線性回歸，用到命令regress，可是發現他沒辦法做回歸係數的t檢驗，因此，自己就寫了乙個。參考書籍 計量經濟學 龐皓 科學出版社 function b,beta,t,t0,sigma,rss,tss,r,r1,f,f0 pureregress x,y,con x是因子，n p,...
MATLAB實現多元線性回歸
function b,bint,r,rint,stats multiple linear regression x,y,alpha multiple linear regression 多元線性回歸 對於輸入資料 必須是去除量綱之後的資料 進行多元線性回歸處理 輸入變數 x 由自變數組成的矩陣 第一...