C语言版的线性回归分析函数

最新推荐文章于 2025-05-12 09:39:11 发布

iteye_17734

最新推荐文章于 2025-05-12 09:39:11 发布

阅读量3k

点赞数 1

文章标签： C C++ C# D语言 J#

本文分享了一段1993年的代码实现一元和多元线性回归分析，并详细解释了相关统计指标如回归方程、回归系数、回归平方和等的计算方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前几天，清理出一些十年以前DOS下的程序及代码，看来目前也没什么用了，想打个包刻在光碟上，却发现有些代码现在可能还能起作用，其中就有计算一元回归和多元回归的代码，一看代码文件时间，居然是1993年的，于是稍作整理，存放在这，分析虽不十分完整，但一般应用是没问题的，最起码，可提供给那些刚学C的学生们参考。

先看看一元线性回归函数代码：

//求线性回归方程：Y=a+bx
//dada[rows*2]数组：X,Y；rows：数据行数；a,b：返回回归系数
//SquarePoor[4]：返回方差分析指标:回归平方和，剩余平方和，回归平方差，剩余平方差
//返回值：0求解成功，-1错误
intLinearRegression(double*data,introws,double*a,double*b,double*SquarePoor)
{
intm;
double*p,Lxx=0.0,Lxy=0.0,xa=0.0,ya=0.0;
if(data==0||a==0||b==0||rows<1)
return-1;
for(p=data,m=0;m<rows;m++)
{
xa+=*p++;
ya+=*p++;
}
xa/=rows;//X平均值
ya/=rows;//Y平均值
for(p=data,m=0;m<rows;m++,p+=2)
{
Lxx+=((*p-xa)*(*p-xa));//Lxx=Sum((X-Xa)平方)
Lxy+=((*p-xa)*(*(p+1)-ya));//Lxy=Sum((X-Xa)(Y-Ya))
}
*b=Lxy/Lxx;//b=Lxy/Lxx
*a=ya-*b*xa;//a=Ya-b*Xa
if(SquarePoor==0)
return0;
//方差分析
SquarePoor[0]=SquarePoor[1]=0.0;
for(p=data,m=0;m<rows;m++,p++)
{
Lxy=*a+*b**p++;
SquarePoor[0]+=((Lxy-ya)*(Lxy-ya));//U(回归平方和)
SquarePoor[1]+=((*p-Lxy)*(*p-Lxy));//Q(剩余平方和)
}
SquarePoor[2]=SquarePoor[0];//回归方差
SquarePoor[3]=SquarePoor[1]/(rows-2);//剩余方差
return0;
}

为了理解代码，把几个与代码有关的公式写在下面（回归理论和公式推导就免了，网上搜索到处是，下面的公式图片也是网上搜的，有些公式图形网上没找到或者不合适，可参见后面多元回归中的公式）：

1、回归方程式：

2、回归系数：

其中：

3、回归平方和：

4、剩余平方和：

实例计算：

doubledata1[12][2]={
//XY
{187.1,25.4},
{179.5,22.8},
{157.0,20.6},
{197.0,21.8},
{239.4,32.4},
{217.8,24.4},
{227.1,29.3},
{233.4,27.9},
{242.0,27.8},
{251.9,34.2},
{230.0,29.2},
{271.8,30.0}
};

voidDisplay(double*dat,double*Answer,double*SquarePoor,introws,intcols)
{
doublev,*p;
inti,j;
printf("回归方程式: Y=%.5lf",Answer[0]);
for(i=1;i<cols;i++)
printf("+%.5lf*X%d",Answer[i],i);
printf(" ");
printf("回归显著性检验: ");
printf("回归平方和：%12.4lf回归方差：%12.4lf ",SquarePoor[0],SquarePoor[2]);
printf("剩余平方和：%12.4lf剩余方差：%12.4lf ",SquarePoor[1],SquarePoor[3]);
printf("离差平方和：%12.4lf标准误差：%12.4lf ",SquarePoor[0]+SquarePoor[1],sqrt(SquarePoor[3]));
printf("F检验：%12.4lf相关系数：%12.4lf ",SquarePoor[2]/SquarePoor[3],
sqrt(SquarePoor[0]/(SquarePoor[0]+SquarePoor[1])));
printf("剩余分析: ");
printf("观察值估计值剩余值剩余平方 ");
for(i=0,p=dat;i<rows;i++,p++)
{
v=Answer[0];
for(j=1;j<cols;j++,p++)
v+=*p*Answer[j];
printf("%12.2lf%12.2lf%12.2lf%12.2lf ",*p,v,*p-v,(*p-v)*(*p-v));
}
system("pause");
}

intmain()
{
doubleAnswer[2],SquarePoor[4];
if(LinearRegression((double*)data1,12,&Answer[0],&Answer[1],SquarePoor)==0)
Display((double*)data1,Answer,SquarePoor,12,2);
return0;
}

运行结果：

上面的函数和例子程序不仅计算了回归方程式，还计算了显著性检验指标，例如F检验指标，我们可以在统计F分布表上查到F0.01(1,10)=10.04（注：括号里的1,10分别为回归平方和和剩余平方和所拥有的自由度），小于计算的F检验值25.94，可以认为该回归例子高度显著。

如果使用图形界面，可以根据原始数据和计算结果绘制各种图表，如散点图、趋势图、控制图等。很多非线性方程可以借助数学计算，转化为直线方程进行回归分析。

同一元线性回归相比，多元线性回归分析代码可就复杂多了，必须求解线性方程，因此本代码中包含一个可独立使用的线性方程求解函数：

voidFreeData(double**dat,double*d,intcount)
{
inti,j;
free(d);
for(i=0;i<count;i++)
free(dat[i]);
free(dat);
}
//解线性方程。data[count*(count+1)]矩阵数组；count：方程元数；
//Answer[count]：求解数组。返回：0求解成功，-1无解或者无穷解
intLinearEquations(double*data,intcount,double*Answer)
{
intj,m,n;
doubletmp,**dat,*d=data;
dat=(double**)malloc(count*sizeof(double*));
for(m=0;m<count;m++,d+=(count+1))
{
dat[m]=(double*)malloc((count+1)*sizeof(double));
memcpy(dat[m],d,(count+1)*sizeof(double));
}
d=(double*)malloc((count+1)*sizeof(double));
for(m=0;m<count-1;m++)
{
//如果主对角线元素为0，行交换
for(n=m+1;n<count&&dat[m][m]==0.0;n++)
{
if(dat[n][m]!=0.0)
{
memcpy(d,dat[m],(count+1)*sizeof(double));
memcpy(dat[m],dat[n],(count+1)*sizeof(double));
memcpy(dat[n],d,(count+1)*sizeof(double));
}
}
//行交换后，主对角线元素仍然为0，无解，返回-1
if(dat[m][m]==0.0)
{
FreeData(dat,d,count);
return-1;
}
//消元
for(n=m+1;n<count;n++)
{
tmp=dat[n][m]/dat[m][m];
for(j=m;j<=count;j++)
dat[n][j]-=tmp*dat[m][j];
}
}
for(j=0;j<count;j++)
d[j]=0.0;
//求得count-1的元
Answer[count-1]=dat[count-1][count]/dat[count-1][count-1];
//逐行代入求各元
for(m=count-2;m>=0;m--)
{
for(j=count-1;j>m;j--)
d[m]+=Answer[j]*dat[m][j];
Answer[m]=(dat[m][count]-d[m])/dat[m][m];
}
FreeData(dat,d,count);
return0;
}

//求多元回归方程：Y=B0+B1X1+B2X2+...BnXn
//data[rows*cols]二维数组；X1i,X2i,...Xni,Yi(i=0torows-1)
//rows：数据行数；cols数据列数；Answer[cols]：返回回归系数数组(B0,B1...Bn)
//SquarePoor[4]：返回方差分析指标:回归平方和，剩余平方和，回归平方差，剩余平方差
//返回值：0求解成功，-1错误
intMultipleRegression(double*data,introws,intcols,double*Answer,double*SquarePoor)
{
intm,n,i,count=cols-1;
double*dat,*p,a,b;
if(data==0||Answer==0||rows<2||cols<2)
return-1;
dat=(double*)malloc(cols*(cols+1)*sizeof(double));
dat[0]=(double)rows;
for(n=0;n<count;n++)//n=0tocols-2
{
a=b=0.0;
for(p=data+n,m=0;m<rows;m++,p+=cols)
{
a+=*p;
b+=(*p**p);
}
dat[n+1]=a;//dat[0,n+1]=Sum(Xn)
dat[(n+1)*(cols+1)]=a;//dat[n+1,0]=Sum(Xn)
dat[(n+1)*(cols+1)+n+1]=b;//dat[n+1,n+1]=Sum(Xn*Xn)
for(i=n+1;i<count;i++)//i=n+1tocols-2
{
for(a=0.0,p=data,m=0;m<rows;m++,p+=cols)
a+=(p[n]*p[i]);
dat[(n+1)*(cols+1)+i+1]=a;//dat[n+1,i+1]=Sum(Xn*Xi)
dat[(i+1)*(cols+1)+n+1]=a;//dat[i+1,n+1]=Sum(Xn*Xi)
}
}
for(b=0.0,m=0,p=data+n;m<rows;m++,p+=cols)
b+=*p;
dat[cols]=b;//dat[0,cols]=Sum(Y)
for(n=0;n<count;n++)
{
for(a=0.0,p=data,m=0;m<rows;m++,p+=cols)
a+=(p[n]*p[count]);
dat[(n+1)*(cols+1)+cols]=a;//dat[n+1,cols]=Sum(Xn*Y)
}
n=LinearEquations(dat,cols,Answer);//计算方程式
//方差分析
if(n==0&&SquarePoor)
{
b=b/rows;//b=Y的平均值
SquarePoor[0]=SquarePoor[1]=0.0;
p=data;
for(m=0;m<rows;m++,p++)
{
for(i=1,a=Answer[0];i<cols;i++,p++)
a+=(*p*Answer[i]);//a=Ym的估计值
SquarePoor[0]+=((a-b)*(a-b));//U(回归平方和)
SquarePoor[1]+=((*p-a)*(*p-a));//Q(剩余平方和)(*p=Ym)
}
SquarePoor[2]=SquarePoor[0]/count;//回归方差

if (rows - cols > 0.0)
SquarePoor[3] = SquarePoor[1] / (rows - cols); // 剩余方差
else
SquarePoor[3] = 0.0;

}
free(dat);
returnn;
}

为了理解代码，同样贴几个主要公式在下面，其中回归平方和和剩余平方和公式和一元回归相同：

1、回归方程式：,