求教，如何用Matlab或者R做半参数回归

Python07

求教，如何用Matlab或者R做半参数回归,第1张

该逐步回归分析中有4个候选自变量x1,x2,x3,x4，图中左上角用圆点和线段显示4个候选变量的回归系数的估计值和置信区间，x3和x4的置信区间包含零点，说明x3和x4的回归系数有可能为0，即x3,x4可能对因变量不起作用，所以用红色表示，意味着可以去掉这2个候选变量。图中上方的Coeff.下面的数据是各候选变量的回归系数，t-stat表示t统计量，p-val是伴随概率，当p-val小于给定的显著性水平时回归模型有效。右上角的“Movenoterms”表示不需要移动候选变量了。中间方框中的数据：Intercept是线性回归模型的常数项的估计值，后面的分别表示决定系数，F统计量，剩余标准差，调整后的决定系数，伴随概率。图中最下方的圆点表示每次调整候选变量后的回归模型的剩余标准差，越小越好。从该图来看，最后确定的回归模型是y=52.5773+1.46831x1+0.66225x2。判断一个回归模型的好坏的标准主要有：回归系数的置信区间不能包含0；决定系数表示因变量的变化中由自变量的变化所引起的那部分所占的比例，越接近1越好；伴随概率p值要小于给定的显著性水平；剩余标准差要足够小。

已帮你修改，望采纳：

%% Clear screen and storage

clc

clear

%% Import data

x=importdata('power6.txt')

numObs=length(x)

%% Draw ACF and PACF

figure(1)

subplot(1,2,1)

autocorr(x)

subplot(1,2,2)

parcorr(x)

%% Model identification

for i=0:3

for j=0:3

k=i+1

kk=j+1

spec=garchset('R',i,'M',j,'Display','off')%指定模型的结构

[coeffX,errorsX,LLFX]=garchfit(spec,x) %拟合参数

numParam=garchcount(coeffX) %计算拟合参数的个数

%compute Akaike and Bayesian Information Criteria

[aic(k,kk),bic(k,kk)]=aicbic(LLFX,numParam,numObs)

end

end

[p,q]=find(aic==min(min(aic)))

p=p-1

q=q-1

%% Model estimation

spec=garchset('R',p,'M',q,'Display','off')%指定模型的结构

[coeffX,errorsX,LLFX]=garchfit(spec,x) %拟合参数

%% Forcasting

[sigma_Forecast,x_Forecast] = garchpred(coeffX,x,24)

figure(2)

plot(1:length(x),x,'.-')

hold on

plot(length(x)+1:length([xx_Forecast]),x_Forecast,'r.-')

xcorr计算的互相关函数的选项参数：

= xcorr（X，Y，'选项'）

选项= baised，互相关函数偏估计的计算BR />选项=无偏，无偏估计计算的互相关函数

选项= COEFF计算的归一化互相关函数，数介于-1到1之间的相互关系

选项= none时，是默认的。

所以，如果你要计算的交叉相关系数可以用来“COEFF的参数。