主题向量y=[ 7613.517850.918381.869142.8110813.68631.438124.949429.7910230.8110163.619737.568561.06778881
x1=[ 76667704814885718679770464715870528938153352927582591 ]；
x2=[ 16.2216.8517.9317.2817.23171918.2216.313.3711.6210.369.839.25 ]；
是一个表格中的三个列向量。
的基本模型如下
y=Ax1^2 Bx2^2 Cx1 Dx2 Ex1*x2；
利用regress函数求出各系数的估计值。
解析regress指令——用于一元和多元线性回归，在本质上是最小二乘法。 在Matlab中，键入help regress会弹出有关regress的信息。
调用格式：
b=Regress(y，x ) ) ) ) ) ) ) ) ) b ) ) ) ) b ) ) b ) ) ) b ) ) b ) ) ) b ) ) b ) ) ) ) b ) ) b ) ) b ) ) b ) ) b ) b ) b ) b )
([B，bint]=regress(y，x ) ) ) ) ) ) ) ) ) )。
([B，BINT，r]=regress(y，x ) ) ) ) ) ) ) ) )。
[B，BINT，r，RINT]=regress(Y，x )
b，BINT，r，RINT，stats]=regress(y，x ) )。
[.]=Regress(y，x，alpha ) )。
参数说明：
b :回归系数、向量(“thevectorbofregressioncoefficientsinthelinearmodely=x * b”)。
BINT :回归系数的区间估计(" amatrixbintof 95 % confidenceintervalsforb " )。
r :“批准”。
rint:" amatrixrintofintervalsthatcanbeusedtodiagnoseoutliers "。
STATS :用于验证回归模型的统计量。 有判定系数r ^ 2、f统计量观测值、检验的p值、误差方差估计值4个数值。
如果缺少alpha (显著性级别)，则为默认值0.05 )。
解决问题
y=[ 7613.517850.918381.869142.8110813.68631.438124.949429.7910230.8110163.619737.568561.06781.8272781 x1=[ 76667704814885718679770464715870528938153352927582591 ] '； x2=[ 16.2216.8517.9317.2817.23171918.2216.313.3711.6210.369.839.25 ]’； x=[Ones(size ) y ) ) x1.^2 x2.^2 x1 x2 x1.*x2] %size(y )求y的长度，ones求全部1阵[b，bint，r，rint，stats ]=rats scatter3(x1，x2，y，“filled”)散列图如下：
b是对应的参数b(1)为f )最后的常数项)，b )2)为a )最初的参数)，b )3)为b，b )4)为c，b )4)为d，b )5)为e。 bint是b的95%置信区间。
stats的第三个参数是f检验的p值，p值较小(P0.001 )，表明拟合模型是有效的。 (这里的分析技巧，以后有时间的话，我会专业总结的。 ）
拟合散点数据
Holdonx1fit=min(x1 ) :1003360max ) x1； x2fit=min(x2 ) :1:max ) x2； [X1FIT，x2fit]=meshgrid(x1fit，x2fit )； yfit=b(1) b )2) x1fit.^2b )3) x2fit.^2b )4) x1fitb )5) x2fitb )6) *X1FIT.*X2FIT； mesh(x1fit，X2FIT，YFIT ) view ) 10，10 ) xlabel ) (x1 ) (ylabel ) (zlabel ) )的屏幕截图
参考文献： regress命令篇