figure(1);
x=start:step:end;
y =0.227220-0.002859*x+0.018825*x^2-0.003369*x^3-0.021391*x^4;
plot(x, y,"可設(shè)曲線屬性"

關(guān)鍵是
x=start:step:end   始點(diǎn)，重點(diǎn)均未知不知道

Matlab多元線性回歸

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

其中b 是回歸方程中的參數(shù)估計值，bint 是b 的置信區(qū)間，r 和rint 分別表示殘差及殘差對應(yīng)的置信區(qū)間。StatS 數(shù)組包含三個數(shù)字，分別是相關(guān)系數(shù)，F(xiàn) 統(tǒng)計量及對應(yīng)的概率p 值。
擬合結(jié)果：
Y=b(1)x(1)+b(2)x(2)+b(3)x(3)+…+b(n)x(n)
b(1)是系數(shù),x(1)為全1的一個列向量。
注意：不是插值。


x=[1097 1284 1502 1394 1303 1555 1917 2051 2111 2286 2311 2003 2435 2625 2948 3155 3372];%因變量時間序列數(shù)據(jù)
y=[698 872 988 807 738 1025 1316 1539 1561 1765 1762 1960 1902 2013 2446 2736 2825];%自變量時間序列數(shù)據(jù)
X=[ones(size(x')),x'];
[b,bint,r,rint,stats]=regress(y',X,0.05);%調(diào)用一元回歸分析函數(shù)
rcoplot(r,rint)%畫出在置信度區(qū)間下誤差分布.

舉例：
x =

     1     2     4     9
     1     4     3     7
     1     5     9     0
     1     9     1     8
>> y=[10 3 90 48]';
>> [ b , bint , r , rint , stats ]=regress ( y , x )

得到的結(jié)果
b =

-186.8333
   16.0238
   21.8571
    8.5952


bint =

   NaN   NaN
   NaN   NaN
   NaN   NaN
   NaN   NaN


r =

  1.0e-013 *

   -0.5684
   -0.9948
   -0.1421
    0.1421


rint =

   NaN   NaN
   NaN   NaN
   NaN   NaN
   NaN   NaN


stats =

     1   NaN   NaN   NaN
另外，用b=inv(x)*y
得到的結(jié)果和上面用regression得到的一樣。可見，求逆的問題也是用了最小二乘的原理。


但是，regress更優(yōu)于inv，體現(xiàn)在當(dāng)x的元素存在缺陷時。舉例：
x =

     1     0     0     4
     1     0     0     3
     1     0     0     5
     1     0     0     8
y =

     3
     4
     3
     9
[ b , bint , r , rint , stats ]=regress ( y , x )
Warning: X is rank deficient to within machine precision.
b =
   -0.9643
         0
         0
    1.1429
bint =
  -12.0010   10.0724
         0         0
         0         0
   -0.9245    3.2102
r =
   -0.6071
    1.5357
   -1.7500
    0.8214


rint =
   -9.2316    8.0173
   -1.9141    4.9855
   -7.4997    3.9997
    0.2465    1.3964


stats =
    0.7388    5.6575    0.1405    3.2321，