逐步分析
在自变量很多时，其中有的因素可能对应变量的影响不是很大，而且x之间可能不完全相互独立的，可能有种种互作关系逐步回归分析。在这种情况下可用逐步回归分析，进行x因子的筛选，这样建立的回归模型预测效果会更较好。
逐步回归分析，首先要建立因变量y与自变量x之间的总回归方程，再对总的方程及每—个自变量进行假设检验。当总的方程不显著时，表明该多元回归方程线性关系不成立；而当某—个自变量对y影响不显著时，应该把它剔除，重新建立不包含该因子的多元回归方程。筛选出有显著影响的因子作为自变量，并建立“最优”回归方程。
回归方程包含的自变量越多，回归平方和越大，剩余的平方和越小，剩余均方也随之较小，预测值的误差也愈小，模拟的效果愈好。但是方程中的变量过多，预报工作量就会越大，其中有些相关性不显著的预报因子会影响预测的效果。因此在多元回归模型中，选择适宜的变量数目尤为重要。
逐步回归在病虫预报中的应用实例:
以陕西省长武地区1984~1995年的烟蚜传毒病情资料、相关虫情和气象资料为例（数据见DATA6.xls），建立蚜传病毒病情指数的逐步回归模型，说明逐步回归分析的具体步骤。影响蚜传病毒病情指数的虫情因子和气象因子一共有21个，通过…逐步回归分析
在自变量很多时，其中有的因素可能对应变量的影响不是很大，而且x之间可能不完全相互独立的，可能有种种互作关系。在这种情况下可用逐步回归分析，进行x因子的筛选，这样建立的多元回归模型预测效果会更较好。
逐步回归分析，首先要建立因变量y与自变量x之间的总回归方程，再对总的方程及每—个自变量进行假设检验。当总的方程不显著时，表明该多元回归方程线性关系不成立；而当某—个自变量对y影响不显著时，应该把它剔除，重新建立不包含该因子的多元回归方程。筛选出有显著影响的因子作为自变量，并建立“最优”回归方程。
回归方程包含的自变量越多，回归平方和越大，剩余的平方和越小，剩余均方也随之较小，预测值的误差也愈小，模拟的效果愈好。但是方程中的变量过多，预报工作量就会越大，其中有些相关性不显著的预报因子会影响预测的效果。因此在多元回归模型中，选择适宜的变量数目尤为重要。
逐步回归在病虫预报中的应用实例:
以陕西省长武地区1984~1995年的烟蚜传毒病情资料、相关虫情和气象资料为例（数据见DATA6.xls），建立蚜传病毒病情指数的逐步回归模型，说明逐步回归分析的具体步骤。影响蚜传病毒病情指数的虫情因子和气象因子一共有21个，通过逐步回归，从中选出对病情指数影响显著的因子，从而建立相应的模型。对1984~1995年的病情指数进行回检，然后对1996~1998年的病情进行预报，再检验预报的效果。
变量说明如下：
y：历年病情指数
/link?url=lr6NWeNwNmZsPCXF7o7lx4RxW2BB0z_m2VqORTUJ6rWk8giN7f_V1n8Ftkomt7Tn7VFEQguWRPFfleapPD_QNKntuSHOUbyCC5PdhTVPV6q
请参考这网站希望对您有所帮助。
逐步回归分析就是解决如何建立最优回归方程的问题。 … 它并没新的理论, 只是多元回归分析基础上派生出的…为了利于变换求算和上机计算,将对其变 量进行重新
matlab 提供了stepwise函数完成逐步回归，具体的用法可以查看matlab帮助。
———————————————————-
多元回归都是化为线性回归来做的;
具体的做法如下:令x4=x1*x1,x5=x1*x2;x6=x1*x3;x7=x2*x2;x8=x2*x3,x9=x3*x3
模型变为 y=b0 b1*x1 b2*x2 …… b9*x9。
具体的matlab程序:
data=[10 70 37。6 2。88986
10 60 37。6 2。92914
15 40 37。6 3。00129
10 40 29。
2 3。1656
10 40 22。4 3。23027
30 40 37。6 3。44775
10 50 37。6 3。82448
10 40 37。6 4。15502
10 40 16。
8 4。3986
20 40 37。6 4。59071];
x1=data(:,1);x2=data(:,2);x3=data(:,3);y=data(:,4);
x4= x1。*x1;x5=x1。
*x2;x6=x1。*x3;x7=x2。*x2;x8=x2。*x3;x9=x3。*x3
x=[x1 x2 x3 x4 x5 x6 x7 x8 x9];
stepwise(x,y)
%%%%%%%%%%%%%%%%%%%%%%%%
再慢慢调。