第十二讲回归分析课件

回归分析1/4/20231回归分析12/11/20221回归分析在一组数据的基础上研究这样几个问题：（i）建立因变量y与自变量x,x,,xm

之间的回归模型（经验公式）；（ii）对回归模型的可信度进行检验；（iii）判断每个自变量x(i=1,2,…,m)对y的影响是否显著；（iv）诊断回归模型是否适合这组数据；（v）利用回归模型对y进行预报或控制。1/4/20232回归分析在一组数据的基础上研究这样几个问题：12/11/20一元线性回归多元线性回归回归分析数学模型及定义*模型参数估计*检验、预测与控制可线性化的一元非线性回归（曲线回归）数学模型及定义*模型参数估计*多元线性回归中的检验与预测逐步回归分析1/4/20233一元线性回归多元线性回归回归分析数学模型及定义*模型参数估计一、数学模型例1测16名成年女子的身高与腿长所得数据如下：以身高x为横坐标，以腿长y为纵坐标将这些数据点（xI，yi）在平面直角坐标系上标出.散点图1/4/20234一、数学模型例1测16名成年女子的身高与腿长所得数据如下：一元线性回归分析的主要任务是：1/4/20235一元线性回归分析的主要任务是：12/11/20225二、模型参数估计1、回归系数的最小二乘估计1/4/20236二、模型参数估计1、回归系数的最小二乘估计12/11/202其中

1/4/20237其中12/11/20227一个好的拟合方程，其残差应越小越好。残差越小，拟合值与观测值越接近，各观测点在拟合直线周围聚集的紧密程度越高，也就是说，拟合方程解释y的能力越强。另外，当剩余标准差越小时，还说明残差值的变异程度越小。由于残差的样本均值为零。所以，其离散范围越小，拟合的模型就越为精确。1/4/20238一个好的拟合方程，其残差应越小越好。残差越小，拟合值与观测值三、检验、预测与控制1、显著性检验一般地，回归方程的假设检验包括两个方面：一个是对模型的检验，即检验自变量与因变量之间的关系能否用一个线性模型来表示，这是由F检验来完成的；另一个检验是关于回归参数的检验，即当模型检验通过后，还要具体检验每一个自变量对因变量的影响程度是否显著。这是由t检验完成。在一元线性分析中，由于自变量的个数只有一个，这两种检验是统一的，它们的效果完全是等价的。但是，在多元线性回归分析中，这两个检验的意义是不同的。从逻辑上说，一般常在F检验通过后，再进一步进行t检验。1/4/20239三、检验、预测与控制1、显著性检验一般地，回归方程的假设检验（Ⅰ）F检验法

（Ⅱ）t检验法1/4/202310（Ⅰ）F检验法（Ⅱ）t检验法12/11/202210（Ⅲ）r检验法1/4/202311（Ⅲ）r检验法12/11/2022112、回归系数的置信区间1/4/2023122、回归系数的置信区间12/11/2022123、预测与控制（1）预测1/4/2023133、预测与控制（1）预测12/11/202213（2）控制1/4/202314（2）控制12/11/202214四、可线性化的一元非线性回归（曲线回归）例2出钢时所用的盛钢水的钢包，由于钢水对耐火材料的侵蚀，容积不断增大.我们希望知道使用次数与增大的容积之间的关系.对一钢包作试验，测得的数据列于下表：1/4/202315四、可线性化的一元非线性回归例2出钢时所用的盛钢水的钢包，散点图此即非线性回归或曲线回归

问题（需要配曲线）配曲线的一般方法是：1/4/202316散此即非线性回归或曲线回归问题（需要配曲线）配曲通常选择的六类曲线如下：1/4/202317通常选择的六类曲线如下：12/11/202217一、数学模型及定义多元线性回归1/4/202318一、数学模型及定义多元线性回归12/11/202218二、模型参数估计解得估计值1/4/202319二、模型参数估计解得估计值12/11/2022191/4/20232012/11/202220三、多元线性回归中的检验与预测

（Ⅰ）线性模型检验——F检验法（Ⅱ）回归系数检验——t检验法(残差平方和）1/4/202321三、多元线性回归中的检验与预测（Ⅰ）线性模型检验——F检验2、预测（1）点预测（2）区间预测1/4/2023222、预测（1）点预测（2）区间预测12/11/202222四、逐步回归分析（4）“有进有出”的逐步回归分析。（1）从所有可能的因子（变量）组合的回归方程中选择最优者；（2）从包含全部变量的回归方程中逐次剔除不显著因子；（3）从一个变量开始，把变量逐个引入方程；选择“最优”的回归方程有以下几种方法：

“最优”的回归方程就是包含所有对Y有影响的变量,而不包含对Y影响不显著的变量回归方程。以第四种方法，即逐步回归分析法在筛选变量方面较为理想.1/4/202323四、逐步回归分析（4）“有进有出”的逐步回归分析。（1）从所这个过程反复进行，直至既无不显著的变量从回归方程中剔除，又无显著变量可引入回归方程时为止。逐步回归分析法的思想：从一个自变量开始，视自变量Y作用的显著程度，从大到地依次逐个引入回归方程。当引入的自变量由于后面变量的引入而变得不显著时，要将其剔除掉。引入一个自变量或从回归方程中剔除一个自变量，为逐步回归的一步。对于每一步都要进行Y值检验，以确保每次引入新的显著性变量前回归方程中只包含对Y作用显著的变量。1/4/202324这个过程反复进行，直至既无不显著的变量从回归方程中剔除，统计工具箱中的回归分析命令1、多元线性回归2、多项式回归3、非线性回归4、逐步回归1/4/202325统计工具箱中的回归分析命令1、多元线性回归2、多项式回归3、多元线性回归

b=regress(Y,X)1、确定回归系数的点估计值：1/4/202326多元线性回归1、确定回归系数的点估计值：12/11/20223、画出残差及其置信区间：rcoplot（r，rint）2、求回归系数的点估计和区间估计、并检验回归模型：

[b,bint,r,rint,stats]=regress(Y,X,alpha)回归系数的区间估计残差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置信区间显著性水平（缺省时为0.05）1/4/2023272、求回归系数的点估计和区间估计、并检验回归模型：回归系数的例1解：1、输入数据：x=[143145146147149150153154155156157158159160162164]';X=[ones(16,1)x];Y=[8885889192939395969897969899100102]';2、回归分析及检验：[b,bint,r,rint,stats]=regress(Y,X)b,bint,stats1/4/202328例1解：1、输入数据：2、回归分析及检验：12/11/2023、残差分析，作残差图：rcoplot(r,rint)从残差图可以看出，除第二个数据外，其余数据的残差离零点均较近，且残差的置信区间均包含零点，这说明回归模型y=-16.073+0.7194x能较好的符合原始数据，而第二个数据可视为异常点.4、预测及作图：z=b(1)+b(2)*xplot(x,Y,'k+',x,z,'r')1/4/2023293、残差分析，作残差图：从残差图可以看出，除多项式回归（一）一元多项式回归

（1）确定多项式系数的命令：[p，S]=polyfit（x，y，m）（2）一元多项式回归命令：polytool（x，y，m）1、回归：y=a1xm+a2xm-1+…+amx+am+12、预测和预测误差估计：（1）Y=polyval（p，x）求polyfit所得的回归多项式在x处的预测值Y；（2）[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YDELTA；alpha缺省时为0.5.1/4/202330多项式回归（一）一元多项式回归（1）确定多项式系法一直接作二次多项式回归：t=1/30:1/30:14/30;s=[11.8615.6720.6026.6933.7141.9351.1361.4972.9085.4499.08113.77129.54146.48];

[p,S]=polyfit(t,s,2)得回归模型为：1/4/202331法一直接作二次多项式回归：得回归模型为：12/法二化为多元线性回归：t=1/30:1/30:14/30;s=[11.8615.6720.6026.6933.7141.9351.1361.4972.9085.4499.08113.77129.54146.48];T=[ones(14,1)t'(t.^2)'];[b,bint,r,rint,stats]=regress(s',T);b,stats得回归模型为：Y=polyconf(p,t,S)plot(t,s,'k+',t,Y,'r')预测及作图1/4/202332法二化为多元线性回归：得回归模型为：Y=polyconf(（二）多元二项式回归命令：rstool（x，y，’model’,alpha）nm矩阵显著性水平（缺省时为0.05）n维列向量1/4/202333（二）多元二项式回归命令：rstool（x，y，’model例3设某商品的需求量与消费者的平均收入、商品价格的统计数据如下，建立回归模型，预测平均收入为1000、价格为6时的商品需求量.法一直接用多元二项式回归：x1=[10006001200500300400130011001300300];x2=[5766875439];y=[10075807050659010011060]';x=[x1'x2'];rstool(x,y,'purequadratic')1/4/202334例3设某商品的需求量与消费者的平均收入、商品价格的统计在画面左下方的下拉式菜单中选”all”,则beta、rmse和residuals都传送到Matlab工作区中.在左边图形下方的方框中输入1000，右边图形下方的方框中输入6。则画面左边的“PredictedY”下方的数据变为88.47981，即预测出平均收入为1000、价格为6时的商品需求量为88.4791.1/4/202335在画面左下方的下拉式菜单中选”all”,则beta在Matlab工作区中输入命令：beta,rmse1/4/202336在Matlab工作区中输入命令：beta,rmse12/结果为:b=110.53130.1464-26.5709-0.00011.8475stats=0.970240.66560.0005法二将化为多元线性回归：1/4/202337结果为:b=法二将化为多元线性回归：12/11/20非线性回归（1）确定回归系数的命令：

[beta，r，J]=nlinfit（x，y，’model’,beta0）（2）非线性回归命令：nlintool（x，y，’model’,beta0，alpha）1、回归：残差Jacobian矩阵回归系数的初值是事先用m-文件定义的非线性函数估计出的回归系数输入数据x、y分别为矩阵和n维列向量，对一元非线性回归，x为n维列向量。2、预测和预测误差估计：[Y，DELTA]=nlpredci（’model’,x，beta，r，J）求nlinfit或nlintool所得的回归函数在x处的预测值Y及预测值的显著性为1-alpha的置信区间YDELTA.1/4/202338非线性回归（1）确定回归系数的命令：（2）非线性回归命令例4对第一节例2，求解如下：2、输入数据：x=2:16;y=[6.428.209.589.59.7109.939.9910.4910.5910.6010.8010.6010.9010.76];beta0=[82]';3、求回归系数：[beta,r,J]=nlinfit(x',y','volum',beta0)；beta得结果：beta=11.6036-1.0641即得回归模型为：1/4/202339例4对第一节例2，求解如下：2、输入数据：3、求回归系逐步回归逐步回归的命令是：stepwise（x，y，inmodel，alpha）运行stepwise命令时产生三个图形窗口：StepwisePlot，StepwiseTable，StepwiseHistory.在StepwisePlot窗口，显示出各项的回归系数及其置信区间.StepwiseTable窗口中列出了一个统计表，包括回归系数及其置信区间，以及模型的统计量剩余标准差（RMSE）、相关系数（R-square）、F值、与F对应的概率P.矩阵的列数的指标，给出初始模型中包括的子集（缺省时设定为全部自变量）显著性水平（缺省时为0.5）自变量数据,阶矩阵因变量数据，阶矩阵1/4/202340逐步回归逐步回归的命令是：运行step例6水泥凝固时放出的热量y与水泥中4种化学成分x1、x2、x3、x4

有关，今测得一组数据如下，试用逐步回归法确定一个线性模型.1、数据输入：x1=[7111117113122111110]';x2=[26295631525571315447406668]';x3=[615886917221842398]';x4=[6052204733226442226341212]';y=[78.574.3104.387.695.9109.2102.772.593.1115.983.8113.3109.4]';x=[x1x2x3x4];1/4/202341例6水泥凝固时放出的热量y与水泥中4种化学成分x1、x2、2、逐步回归：（1）先在初始模型中取全部自变量：stepwise(x,y)得图StepwisePlot和表StepwiseTable图StepwisePlot中四条直线都是虚线，说明模型的显著性不好从表StepwiseTable中看出变量x3和x4的显著性最差.1/4/2023422、逐步回归：图StepwisePlot中四条直线都是虚线（2）在图StepwisePlot中点击直线3和直线4，移去变量x3和x4移去变量x3和x4后模型具有显著性.

虽然剩余标准差（RMSE）没有太大的变化，但是统计量F的值明显增大，因此新的回归模型更好.1/4/202343（2）在图StepwisePlot中点击直线3和直线4，移（3）对变量y和x1、x2作线性回归：X=[ones(13,1)x1x2];b=regress(y,X)得结果：b=52.57731.46830.6623故最终模型为：y=52.5773+1.4683x1+0.6623x21/4/202344（3）对变量y和x1、x2作线性回归：得结果：b=12/1作业1、考察温度x对产量y的影响，测得下列10组数据：求y关于x的线性回归方程，检验回归效果是否显著，并预测x=42℃时产量的估值及预测区间（置信度95%）.2、某零件上有一段曲线，为了在程序控制机床上加工这一零件，需要求这段曲线的解析表达式，在曲线横坐标xi处测得纵坐标yi共11对数据如下：求这段曲线的纵坐标y关于横坐标x的二次多项式回归方程.1/4/202345作业1、考察温度x对产量y的影响，测得下列10组数据：求经常不断地学习,你就什么都知道。你知道得越多,你就越有力量StudyConstantly,AndYouWillKnowEverything.TheMoreYouKnow,TheMorePowerfulYouWillBe写在最后经常不断地学习,你就什么都知道。你知道得越多,你就越有力量写谢谢你的到来学习并没有结束，希望大家继续努力LearningIsNotOver.IHopeYouWillContinueToWorkHard演讲人：XXXXXX时间：XX年XX月XX日

谢谢你的到来演讲人：XXXXXX回归分析1/4/202348回归分析12/11/20221回归分析在一组数据的基础上研究这样几个问题：（i）建立因变量y与自变量x,x,,xm

之间的回归模型（经验公式）；（ii）对回归模型的可信度进行检验；（iii）判断每个自变量x(i=1,2,…,m)对y的影响是否显著；（iv）诊断回归模型是否适合这组数据；（v）利用回归模型对y进行预报或控制。1/4/202349回归分析在一组数据的基础上研究这样几个问题：12/11/20一元线性回归多元线性回归回归分析数学模型及定义*模型参数估计*检验、预测与控制可线性化的一元非线性回归（曲线回归）数学模型及定义*模型参数估计*多元线性回归中的检验与预测逐步回归分析1/4/202350一元线性回归多元线性回归回归分析数学模型及定义*模型参数估计一、数学模型例1测16名成年女子的身高与腿长所得数据如下：以身高x为横坐标，以腿长y为纵坐标将这些数据点（xI，yi）在平面直角坐标系上标出.散点图1/4/202351一、数学模型例1测16名成年女子的身高与腿长所得数据如下：一元线性回归分析的主要任务是：1/4/202352一元线性回归分析的主要任务是：12/11/20225二、模型参数估计1、回归系数的最小二乘估计1/4/202353二、模型参数估计1、回归系数的最小二乘估计12/11/202其中

1/4/202354其中12/11/20227一个好的拟合方程，其残差应越小越好。残差越小，拟合值与观测值越接近，各观测点在拟合直线周围聚集的紧密程度越高，也就是说，拟合方程解释y的能力越强。另外，当剩余标准差越小时，还说明残差值的变异程度越小。由于残差的样本均值为零。所以，其离散范围越小，拟合的模型就越为精确。1/4/202355一个好的拟合方程，其残差应越小越好。残差越小，拟合值与观测值三、检验、预测与控制1、显著性检验一般地，回归方程的假设检验包括两个方面：一个是对模型的检验，即检验自变量与因变量之间的关系能否用一个线性模型来表示，这是由F检验来完成的；另一个检验是关于回归参数的检验，即当模型检验通过后，还要具体检验每一个自变量对因变量的影响程度是否显著。这是由t检验完成。在一元线性分析中，由于自变量的个数只有一个，这两种检验是统一的，它们的效果完全是等价的。但是，在多元线性回归分析中，这两个检验的意义是不同的。从逻辑上说，一般常在F检验通过后，再进一步进行t检验。1/4/202356三、检验、预测与控制1、显著性检验一般地，回归方程的假设检验（Ⅰ）F检验法

（Ⅱ）t检验法1/4/202357（Ⅰ）F检验法（Ⅱ）t检验法12/11/202210（Ⅲ）r检验法1/4/202358（Ⅲ）r检验法12/11/2022112、回归系数的置信区间1/4/2023592、回归系数的置信区间12/11/2022123、预测与控制（1）预测1/4/2023603、预测与控制（1）预测12/11/202213（2）控制1/4/202361（2）控制12/11/202214四、可线性化的一元非线性回归（曲线回归）例2出钢时所用的盛钢水的钢包，由于钢水对耐火材料的侵蚀，容积不断增大.我们希望知道使用次数与增大的容积之间的关系.对一钢包作试验，测得的数据列于下表：1/4/202362四、可线性化的一元非线性回归例2出钢时所用的盛钢水的钢包，散点图此即非线性回归或曲线回归

问题（需要配曲线）配曲线的一般方法是：1/4/202363散此即非线性回归或曲线回归问题（需要配曲线）配曲通常选择的六类曲线如下：1/4/202364通常选择的六类曲线如下：12/11/202217一、数学模型及定义多元线性回归1/4/202365一、数学模型及定义多元线性回归12/11/202218二、模型参数估计解得估计值1/4/202366二、模型参数估计解得估计值12/11/2022191/4/20236712/11/202220三、多元线性回归中的检验与预测

（Ⅰ）线性模型检验——F检验法（Ⅱ）回归系数检验——t检验法(残差平方和）1/4/202368三、多元线性回归中的检验与预测（Ⅰ）线性模型检验——F检验2、预测（1）点预测（2）区间预测1/4/2023692、预测（1）点预测（2）区间预测12/11/202222四、逐步回归分析（4）“有进有出”的逐步回归分析。（1）从所有可能的因子（变量）组合的回归方程中选择最优者；（2）从包含全部变量的回归方程中逐次剔除不显著因子；（3）从一个变量开始，把变量逐个引入方程；选择“最优”的回归方程有以下几种方法：

“最优”的回归方程就是包含所有对Y有影响的变量,而不包含对Y影响不显著的变量回归方程。以第四种方法，即逐步回归分析法在筛选变量方面较为理想.1/4/202370四、逐步回归分析（4）“有进有出”的逐步回归分析。（1）从所这个过程反复进行，直至既无不显著的变量从回归方程中剔除，又无显著变量可引入回归方程时为止。逐步回归分析法的思想：从一个自变量开始，视自变量Y作用的显著程度，从大到地依次逐个引入回归方程。当引入的自变量由于后面变量的引入而变得不显著时，要将其剔除掉。引入一个自变量或从回归方程中剔除一个自变量，为逐步回归的一步。对于每一步都要进行Y值检验，以确保每次引入新的显著性变量前回归方程中只包含对Y作用显著的变量。1/4/202371这个过程反复进行，直至既无不显著的变量从回归方程中剔除，统计工具箱中的回归分析命令1、多元线性回归2、多项式回归3、非线性回归4、逐步回归1/4/202372统计工具箱中的回归分析命令1、多元线性回归2、多项式回归3、多元线性回归

b=regress(Y,X)1、确定回归系数的点估计值：1/4/202373多元线性回归1、确定回归系数的点估计值：12/11/20223、画出残差及其置信区间：rcoplot（r，rint）2、求回归系数的点估计和区间估计、并检验回归模型：

[b,bint,r,rint,stats]=regress(Y,X,alpha)回归系数的区间估计残差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置信区间显著性水平（缺省时为0.05）1/4/2023742、求回归系数的点估计和区间估计、并检验回归模型：回归系数的例1解：1、输入数据：x=[143145146147149150153154155156157158159160162164]';X=[ones(16,1)x];Y=[8885889192939395969897969899100102]';2、回归分析及检验：[b,bint,r,rint,stats]=regress(Y,X)b,bint,stats1/4/202375例1解：1、输入数据：2、回归分析及检验：12/11/2023、残差分析，作残差图：rcoplot(r,rint)从残差图可以看出，除第二个数据外，其余数据的残差离零点均较近，且残差的置信区间均包含零点，这说明回归模型y=-16.073+0.7194x能较好的符合原始数据，而第二个数据可视为异常点.4、预测及作图：z=b(1)+b(2)*xplot(x,Y,'k+',x,z,'r')1/4/2023763、残差分析，作残差图：从残差图可以看出，除多项式回归（一）一元多项式回归

（1）确定多项式系数的命令：[p，S]=polyfit（x，y，m）（2）一元多项式回归命令：polytool（x，y，m）1、回归：y=a1xm+a2xm-1+…+amx+am+12、预测和预测误差估计：（1）Y=polyval（p，x）求polyfit所得的回归多项式在x处的预测值Y；（2）[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YDELTA；alpha缺省时为0.5.1/4/202377多项式回归（一）一元多项式回归（1）确定多项式系法一直接作二次多项式回归：t=1/30:1/30:14/30;s=[11.8615.6720.6026.6933.7141.9351.1361.4972.9085.4499.08113.77129.54146.48];

[p,S]=polyfit(t,s,2)得回归模型为：1/4/202378法一直接作二次多项式回归：得回归模型为：12/法二化为多元线性回归：t=1/30:1/30:14/30;s=[11.8615.6720.6026.6933.7141.9351.1361.4972.9085.4499.08113.77129.54146.48];T=[ones(14,1)t'(t.^2)'];[b,bint,r,rint,stats]=regress(s',T);b,stats得回归模型为：Y=polyconf(p,t,S)plot(t,s,'k+',t,Y,'r')预测及作图1/4/202379法二化为多元线性回归：得回归模型为：Y=polyconf(（二）多元二项式回归命令：rstool（x，y，’model’,alpha）nm矩阵显著性水平（缺省时为0.05）n维列向量1/4/202380（二）多元二项式回归命令：rstool（x，y，’model例3设某商品的需求量与消费者的平均收入、商品价格的统计数据如下，建立回归模型，预测平均收入为1000、价格为6时的商品需求量.法一直接用多元二项式回归：x1=[10006001200500300400130011001300300];x2=[5766875439];y=[10075807050659010011060]';x=[x1'x2'];rstool(x,y,'purequadratic')1/4/202381例3设某商品的需求量与消费者的平均收入、商品价格的统计在画面左下方的下拉式菜单中选”all”,则beta、rmse和residuals都传送到Matlab工作区中.在左边图形下方的方框中输入1000，右边图形下方的方框中输入6。则画面左边的“PredictedY”下方的数据变为88.47981，即预测出平均收入为1000、价格为6时的商品需求量为88.4791.1/4/202382在画面左下方的下拉式菜单中选”all”,则beta在Matlab工作区中输入命令：beta,rmse1/4/202383在Matlab工作区中输入命令：beta,rmse12/结果为:b=110.53130.1464-26.5709-0.00011.8475stats=0.970240.66560.0005法二将化为多元线性回归：1/4/202384结果为:b=法二将化为多元线性回归：12/11/20非线性回归（1）确定回归系数的命令：

[beta，r，J]=nlinfit（x，y，’model’,beta0）（2）非线性回归命令：nlintool（x，y，’model’,beta0，alpha）1、回归：残差Jacobian矩阵回归系数的初值是事先用m-文件定义的非线性函数估计出的回归系数输入数据x、y分别为矩阵和n维列向量，对一元非线性回归，x为n维列向量。2、预测和预测误差估计：[Y，DELTA]=nlpredci（’model’,x，beta，r，J）求nlinfit或nlintool所得的回归函数在x处的预测值Y及预测值的显著性为1-alpha的置信区间YDELTA.1/4/202385非线性回归（1）确定回归系数的命令：（2）非线性回归命令例4对第一节例2，求解如下：2、输入数据：x=2:16;y=[6.428.209.589.59.7109.939.9910.4910.5910.6010.8010.6010.9010.76];beta0=[82]';3、求回归系数：[beta,r,J]=nlinfit(x',y','volum',beta0)；beta得结果：beta=11.6036-1.0641即得回归模型为：1/4/202386例4对第一节例2，求解如下：2、输入数据：3、求回归系逐步回归逐步回归的命令是：stepwise（x，y，inmodel，alpha）运行stepwise命令时产生三个图形窗口：StepwisePlot，StepwiseTable，StepwiseHistory.在StepwisePlot窗口，显示出各项的回归系数及其置信区间.StepwiseTable窗口中列出了一个统计表，包括回归系数及其置信区间，以及模型的统计量剩余标准差（RMSE）、相关系数（R-square）、F值、与F对应的概率P.矩阵的列数的指标，给出初始模型中包括的子集（缺省时设定为全部自变量）显著性水平（缺省时为0.5）自变量数据,