matlab股票市場線性回歸

1. 知道一組數據，如何用matlab的線性回歸和線性擬合求出兩者的關系函數，求代碼

figure;
t=[1999 2000 2001 2002 2003 2004 2005 2006 2007 2008];
c=[399.72 506.97 754.98 989.4 1202.48 1473.29 1525 1717.87 1911.45 2004.25];
a=polyfit(t,c,2);
ti=1999:1:2008;
ci=polyval(a,ti);
plot(t,c,'go','MarkerEdgeColor','k','MarkerFaceColor','g','MarkerSize',6);
xlabel('年份');
ylabel('相關數據');
axis([1999 2008 350 2100])
hold on
plot(ti,ci,'linewidth',2,'markersize',16)
legend('原始數據點','擬合曲線')
plot(t,c,'-r.')
sprintf('曲線方程：C=%0.5g*T^2+(%0.5g)*T+(%0.5g)',a(1),a(2),a(3))

曲線方程：C=-5.5245*T^2+(22324)*T+(-2.255e+007)
這是2次線性相關
figure;
t=[1999 2000 2001 2002 2003 2004 2005 2006 2007 2008];
c=[399.72 506.97 754.98 989.4 1202.48 1473.29 1525 1717.87 1911.45 2004.25];
a=polyfit(t,c,1);
ti=1999:1:2008;
ci=polyval(a,ti);
plot(t,c,'go','MarkerEdgeColor','k','MarkerFaceColor','g','MarkerSize',6);
xlabel('年份');
ylabel('相關數據');
axis([1999 2008 350 2100])
hold on
plot(ti,ci,'linewidth',2,'markersize',16)
legend('原始數據點','擬合曲線')
plot(t,c,'-r.')
sprintf('曲線方程：C=+(%0.5g)*T+(%0.5g)',a(1),a(2),)

曲線方程：C=+(187.66)*T+(-3.7473e+005)
這是一次的線性相關

2. 關於MATLAB進行線性回歸分析

我也正在學matlab。你可以先用excel擬合試試，再用matlab。或者把數據發我，我幫你看看

3. 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。

4. 大哥，MATLAB做線性回歸分析

自己看regress幫助文檔。

[b,bint] = regress(y,X) returns a matrix bint of 95% confidence intervals for β.

[b,bint,r] = regress(y,X) returns a vector, r, of resials.

[b,bint,r,rint] = regress(y,X) returns a matrix rint of intervals that can be used to diagnose outliers. If rint(i,:) does not contain zero, then the ith resial is larger than would be expected, at the 5% significance level. This suggests that the ith observation is an outlier.

[b,bint,r,rint,stats] = regress(y,X) returns a vector stats that contains, in the following order, the R2 statistic, the F statistic and a p value for the full model, and an estimate of the error variance.

[...] = regress(y,X,alpha) uses a 100(1 - alpha)% confidence level to compute bint, and a (100*alpha)% significance level to computerint. For example, alpha = 0.2 gives 80% confidence intervals.

5. 急！急！急！用matlab求線性回歸

樓上結果正確～！可以驗證。

A=[122389,4838.9,1806;123626,5160.32,1997;124761,5425.05,2063;125786,5854.02,2053;126743,6279.98,2112;127627,6859.58,2170;128453,7702.8,2250;129227,8472.2,2357];
y=[7900.41;9010.17;12185.33;14556.5;18637.13;22411.9;26808.2;33717.63];
A=[A,ones(size(y))];
x=A\y
B=regress(y,A)
a=x(1); b=x(2); c=x(3); e=x(4);
yy=A*x;
plot(y,yy,'o',[min(y) max(y)],[min(y),max(y)])

結果：
x =

0.41922
6.7234
-3.298
-70291

B =

0.41922
6.7234
-3.298
-70291

6. 用matlab求一元線性回歸 非常急

clc,clearx=[2003;2004;2005;2006;2007;2008;2009;2010];

y=[1.92;1.95;1.97;2.01;2.05;2.08;2.12;2.23];

fun=@(a,x)a(1)+a(2).*x;%y=a+bx

a=lsqcurvefit(fun,[0,0],x,y);

b=a(2)

a=a(1)

xi=2003:0.1:2010;

yi=a+b.*xi;

plot(x,y,'o',xi,yi)

b=

0.0384

a=

-75.0000

剩餘平方和 Q=0.004082

標准誤差 Sigma=0.026084

相關指數 RR=0.943685

7. 用MATLAB怎麼做線性回歸

1.stats]=regress(y,x)..,第一值是回歸方程的置信度(相關系數),第二值是F統計量值,第二值是與F統計量相應的p值.]。
2.[b;stats——1*3檢驗統計量。
3.式中:b——參數估計值利用matlab的regress()多元線性回歸函數可以做線性回歸.
4.實現代碼;bint——b的置信區間;r——殘差向量y-xb;rint——r的置信區間;y——因變數數據n*1向量.]。
5.y
=[,bint,r,rint:
x=[。

8. 用Matlab作線性回歸

x=[
1.99
2.00
1.00;
11.43
14.76
12.86;
44.29
50.00
50.00;
72.86
81.43
75.71;
87.61
89.51
87.61;
93.33
92.86
94.29];
day=[1:6]';
%天數
%這里我想，應當是想得到發芽率與天數的關系，而跟組無關
%所以這里我將它們橫向求平均。求出每天的平均出芽率
xx=sum(x,2)/size(x,2);
A=[day,ones(size(day))];
c=A\xx;
k=c(1);
b=c(2);
yy=k*day+b;
plot(day,xx,'r*',day,yy)
%紅色的*點，是平均出芽率與天數的關系
%線是擬合出來的
%=====================================
%那我就拿第一組做試驗
%實際上就是將xx=sum(x,2)/size(x,2)
%這句改成xx=x(:,1);
%第二組，你就改成xx=x(:,2);
x=[
1.99
2.00
1.00;
11.43
14.76
12.86;
44.29
50.00
50.00;
72.86
81.43
75.71;
87.61
89.51
87.61;
93.33
92.86
94.29];
day=[1:6]';
%天數
xx=x(:,1);
A=[day,ones(size(day))];
c=A\xx;
k=c(1);
b=c(2);
yy=k*day+b;
plot(day,xx,'r*',day,yy)

9. 如何用matlab線性回歸分析

在matlab中regress（）函數和polyfit（）函數都可以進行回歸分析。

（1）regress（）函數主要用於線性回歸，一元以及多元的。它可以提供更多的信息，殘差之類的。

（2）polyfit（）函數是利用多項式擬合。可以是線性也可以是非線性的。

regress（）函數詳解

[b，bint，r,rint，stats]=regress(y,X，alpha)

說明：b是線性方程的系數估計值，並且第一值表示常數，第二個值表示回歸系數。bint是系數估計值的置信度為95％的置信區間，r表示殘差，rint表示各殘差的置信區間，stats是用於檢驗回歸模型的統計量，有三個數值其中有表示回歸的R2統計量和F以及顯著性概率P值，alpha為置信度。

相關系數r^2越大，說明回歸方程越顯著；與F對應的概率P<alpha時候拒絕H0，回歸模型成立。

y表示一個n-1的矩陣，是因變數的值，X是n-p矩陣，自變數x和一列具有相同行數，值是1的矩陣的組合。如：對含常數項的一元回歸模型，可將X變為n-2矩陣，其中第一列全為1。

ONES(SIZE(A)) is the same size as A and all ones。

利用它實現X=[ones（size（x））x]

（2）polyfit（）函數詳解-------------摘自sina小雪兒博客

p=polyfit(x,y,n)

[p,s]= polyfit(x,y,n)

說明：x,y為數據點，n為多項式階數，返回p為冪次從高到低的多項式系數向量p。x必須是單調的。矩陣s用於生成預測值的誤差估計。(見下一函數polyval)

多項式曲線求值函數：polyval( )

調用格式： y=polyval(p,x)

[y,DELTA]=polyval(p,x,s)

說明：y=polyval(p,x)為返回對應自變數x在給定系數P的多項式的值。

[y,DELTA]=polyval(p,x,s) 使用polyfit函數的選項輸出s得出誤差估計Y
DELTA。它假設polyfit函數數據輸入的誤差是獨立正態的，並且方差為常數。則Y DELTA將至少包含50%的預測值。

10. 怎樣用matlab做出一元線性回歸圖形

>> clear
>> x=[1656,2122,2864,4033,6099];
>> y=[2112,2170,2291,2456,2759];
>> [P,S]=polyfit(x,y,1)
%P為擬合回歸系數即y=P(1)*x+p(2)
P =
1.0e+003 *
0.0001 1.8666
S =
R: [2x2 double]
df: 3
normr: 9.4223

>> [Y,delta]=polyconf(P,x,S)
%給出回歸Y的95%的置信區間為[Y-delta，Y+delta]
Y =
1.0e+003 *

2.1090 2.1772 2.2858 2.4569 2.7592
delta =

20.6907 19.8923 19.1147 19.2502 23.2005
>> x1=1600:100:6100;
>> f=polyval(P,x1);
>> plot(x,y,'ro',x1,f,'-')%繪圖查看擬合效果
>> hold on
>> plot(x,Y+delta,'*g')
>> plot(x,Y-delta,'*g')%給出擬合的置信區間
希望我的回答能幫助你！