matlab股票市场线性回归

1. 知道一组数据，如何用matlab的线性回归和线性拟合求出两者的关系函数，求代码

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('相关数据');
axis([1999 2008 350 2100])
hold on
plot(ti,ci,'linewidth',2,'markersize',16)
legend('原始数据点','拟合曲线')
plot(t,c,'-r.')
sprintf('曲线方程：C=%0.5g*T^2+(%0.5g)*T+(%0.5g)',a(1),a(2),a(3))

曲线方程：C=-5.5245*T^2+(22324)*T+(-2.255e+007)
这是2次线性相关
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('相关数据');
axis([1999 2008 350 2100])
hold on
plot(ti,ci,'linewidth',2,'markersize',16)
legend('原始数据点','拟合曲线')
plot(t,c,'-r.')
sprintf('曲线方程：C=+(%0.5g)*T+(%0.5g)',a(1),a(2),)

曲线方程：C=+(187.66)*T+(-3.7473e+005)
这是一次的线性相关

2. 关于MATLAB进行线性回归分析

我也正在学matlab。你可以先用excel拟合试试，再用matlab。或者把数据发我，我帮你看看

3. 如何用matlab线性回归分析

回归分析是处理两个及两个以上变量间线性依存关系的统计方法。可以通过软件Matlab实现。

在Matlab中，可以直接调用命令实现回归分析，

（1）[b,bint,r,rint,stats]=regress(y,x)，其中b是回归方程中的参数估计值，bint是b的置信区间，r和rint分别表示残差及残差对应的置信区间。stats包含三个数字，分别是相关系数，F统计量及对应的概率p值。

（2）recplot(r,rint)作残差分析图。

（3）rstool(x,y)一种交互式方式的句柄命令。

4. 大哥，MATLAB做线性回归分析

自己看regress帮助文档。

[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求线性回归

楼上结果正确～！可以验证。

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)])

结果：
x =

0.41922
6.7234
-3.298
-70291

B =

0.41922
6.7234
-3.298
-70291

6. 用matlab求一元线性回归 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

剩余平方和 Q=0.004082

标准误差 Sigma=0.026084

相关指数 RR=0.943685

7. 用MATLAB怎么做线性回归

1.stats]=regress(y,x)..,第一值是回归方程的置信度(相关系数),第二值是F统计量值,第二值是与F统计量相应的p值.]。
2.[b;stats——1*3检验统计量。
3.式中:b——参数估计值利用matlab的regress()多元线性回归函数可以做线性回归.
4.实现代码;bint——b的置信区间;r——残差向量y-xb;rint——r的置信区间;y——因变量数据n*1向量.]。
5.y
=[,bint,r,rint:
x=[。

8. 用Matlab作线性回归

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]';
%天数
%这里我想，应当是想得到发芽率与天数的关系，而跟组无关
%所以这里我将它们横向求平均。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)
%红色的*点，是平均出芽率与天数的关系
%线是拟合出来的
%=====================================
%那我就拿第一组做试验
%实际上就是将xx=sum(x,2)/size(x,2)
%这句改成xx=x(:,1);
%第二组，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]';
%天数
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<alpha时候拒绝H0，回归模型成立。

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。

10. 怎样用matlab做出一元线性回归图形

>> clear
>> x=[1656,2122,2864,4033,6099];
>> y=[2112,2170,2291,2456,2759];
>> [P,S]=polyfit(x,y,1)
%P为拟合回归系数即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)
%给出回归Y的95%的置信区间为[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,'-')%绘图查看拟合效果
>> hold on
>> plot(x,Y+delta,'*g')
>> plot(x,Y-delta,'*g')%给出拟合的置信区间
希望我的回答能帮助你！