计量值为[5.8270e-012]；故拒绝原假设，认为不同的统计指标对城镇住房保障规模有显著的差别，其中各个指标标准化后均值为【[0.1160-0.5485-0.4980-0.54601.4765]】在上述否定原假设情况下，继续估计各路段总体均值的1-alpha
（95%）置信区间：
调用方差分析和各水平均值mu的1-alpha的置信区间公式（文献即《概率论与数理统计教程》茆诗松等高等教育出版社教材P377）
muhat=[0.1160-0.5485-0.4980-0.54601.4765];
sigmahat=0.6386;
mi=[1313131313];
fori=1:
5
muci_L（i）=muhat（i）-sigmahat*tinv（0.975,60）/sqrt（mi（i））
muci_L=
-0.2383
muci_U（i）=muhat（i）+sigmahat*tinv（0.975,60）/sqrt（mi（i））%
muci_U=
0.4703
c1=multcompare（stats2）%对数据进行多重比较根据结构变量体stats1中的信息进行多重比较，返回两两比较的结果矩阵
c1=
1.00002.0000-0.04010.66451.3690
1.00003.0000-0.09050.61401.3185
1.00004.0000-0.04260.66191.3665
1.00005.0000-2.0651-1.3606-0.6561
2.00003.0000-0.7550-0.05040.6541
2.00004.0000-0.7070-0.00250.7020
2.00005.0000-2.7295-2.0250-1.3205
3.00004.0000-0.65660.04790.7524
3.00005.0000-2.6791-1.9746-1.2701
4.00005.0000-2.7270-2.0225-1.3180
结果分析：
由此可见，在显著水平alpha=0.05下，5个指标在均值之间有显著性差异
四，用回归方法作相关性分析及拟合数据（求解回归模型）
1，首先用matlab做相关性分析找主要因子
>>[X,textdata]=xlsread（'book1.xls'）;
>>X=X（:
2:
end）;%提取数据2到最后一列，即是要分析数据
>>varname=textdata（1,2:
end）;%提取第1行，2至最后一列，即变量名
>>obsname=textdata（1:
end,2）;%提取第一列，即年份
>>[r,p]=corrcoef（X）
r=
1.00000.98130.9913-0.67040.9974-0.8497
0.98131.00000.9621-0.61990.9816-0.8462
0.99130.96211.0000-0.74580.9825-0.8423
-0.6704-0.6199-0.74581.0000-0.62980.6427
0.99740.98160.9825-0.62981.0000-0.8213
-0.8497-0.8462-0.84230.6427-0.82131.0000
p=
1.00000.00000.00000.01210.00000.0002
0.00001.00000.00000.02380.00000.0003
0.00000.00001.00000.00340.00000.0003
0.01210.02380.00341.00000.02110.0178
0.00000.00000.00000.02111.00000.0006
0.00020.00030.00030.01780.00061.0000
从相关系数矩阵r可以看出，y与x1最为相关，而x1表示城镇居民家庭可支配收入，符合预想，其它变量相关程度为，x2,x3,x5,x4,这是我们对统计数据的初步分析，并没有考虑交叉项等的影响，下面我们对逐一变量
进行分析
2，数据拟合
首先在我们不知道建立什么模型是通常都设模型的基本形式为
（1）
然后根据数据逐个数据拟合再迭加每个模型得到最初模型，再寻求改进方法
我们用因变量y（即保障房规模比例）与年份做图，可以看出我国近年来住房保障规模（即保障房与当年新开工房屋面积比）的大致走向。
从图形中可以看出大致趋势，保障规模先大量增加，后回落并定于5%左右，反映出来国家对保障住房规模的探索，也说明了保障住房规模不那么容易确定。
住房保障的主要目的是保证中低收入家庭的基本居住需要。
住房保障水平的高低主要取决于基本居住水平标准、住宅存量规模与人口规模的关系、中低收入家庭
matlab程序试触
用多项式拟合
程序
x=[…];
y=[…];
A=polyfit（x,y,m）
z=polyval（A,x）;
plot（x,y,'k+',x,z,'r'）%作出数据点和拟合曲线的图形
对x1时m=2拟合比较好
为此我们可以得到y与x1的初模型
（2）
对于x2，程序中m取4时拟合比较接近，说明y与x2关系可以用一个4次多项式拟
所以我们设计初模型
（3）
x=[…];
y=[…];
A=polyfit（x,y,5）%多项式拟合
z=polyval（A,x）;%x点的值
plot（x,y,'k+',x,z,'r'）
对于x3当m=5时得到如下拟合图像，我们用5次式去拟合
x3时m=5x4时m=2
x5时m=2
根据数据与图关系
得到y与x3的初模型为
（4）
对于x4当m=5时得到如下拟合图像，我们用5次式去拟合
得到y与x4的初模型为
（5）
对于x5当m=2时得到如下拟合图像，拟合效果比较好，我们用2次式去拟合
得到y与x5的初模型为
（6）
根据以上分析，我们可以迭加模型
（2）～（6）得到y的初步模型
得到很复杂的模型，对于次模型由于参数复杂，并且用线性方程组求解估计其参数比较烦，我们可以寻求比较简单且容易看懂的模型求解，现在我们对各变量进行逐步回归，将非线性模型转化为标准理想模型
并估计模型中未知系数，并进行检验分析
用matlab逐步回归实现
matlab
命令程序为
>>x1=[5.160305.425105.854026.280006.859607.702808.472209.4216010.4930011.7595013.7858015.7807617.13465];
>>x2=[1.9972.0632.0532.1122.172.252.3592.7783.1683.3673.8643.84.681];
>>x3=[358.64408.39453.99565.29547.96624.36699.38733.53808.66904.19982.281145.401229.00];
>>x4=[46.644.742.139.438.237.737.137.736.7035.8036.2937.8936.52];
>>x5=[8.651149.8759511.4440813.3952316.3860418.9036421.7152526.3964731.6492938.760251.3217861.3303568.5183];
>>y=[12.266117.002217.584017.960915.499712.33569.74387.04725.16195.52545.04215.48194.5993];
>>A=[x1'x2'x3'x4'x5'];
>>Stepwise（A,y'）%逐步回归
从图中虽然觉得我们应该movex4out即可以剔除新，但是逐步回归有时会将一些看似没有关系但实际上比较重要的数据删掉像x2的相关性也比较弱，然用[b,bint,r,rint,stats]=regress（y',A,0.05）得到F检验为0.9500，因此再进一步验证，
现在我们对x1~x5做线性回归
matlab
命令程序为
>>X=[ones（13,1）x1'x2'x3'x4'x5'];
>>b=regress（y',X）
b=
68.5628
-16.0564
-1.3619
0.0510
-0.1503
2.3281
得模型
（7）
以上为全变量模型，现在我们movex4out对x1,x2,x3,x5做线性回归
>>X=[ones（13,1）x1'x2'x3'x5'];
>>b=regress（y',X）
b=
59.7372
-16.0746
-1.1976
0.0579
2.2480
删除x4后得到的模型为
（8）
现在我们采用多元二项式回归确定是否需要变量x4
用[b,bint,r,rint,stats]=regress（y',A,0.05）
rstool（A,y','purequadratic'）
matlab程序试触
>>A=[ones（13,1）x1'x2'x3'x4'x5'];
[b,bint,r,rint,stats]=regress（y',A,0.05）
b=
68.5628
-16.0564
-1.3619
0.0510
-0.1503
2.3281
bint=
18.7112118.4145
-22.9938-9.1190
-7.9221-5.1983
0.00280.1048
-0.95360.6530
1.33343.3228
r=
-2.1395
1.2653
2.3546
-0.9700
-0.3057
0.3473
-0.2021
0.3671
0.0069
-0.5826
-1.0050
0.0046
0.8591
stats=
0.954829.57800.00012.1629
得到模型
（9）
（8）（9）式相比，显然逐步回归与[b,bint,r,rint,stats]=regress（y',A,0.05）检验结果是很显著的stats=0.9548在显著水平下是远远合理的，但是本模型仍然存在问题，原因是
参数估计的置信区间为[-0.95360.6530]，这个区间包含有0元素，我们一般的模型假设检验都是设
，但是
的取值有可能为0，这是模型存在可改进的地方之一，但是我们前面的模型假设当中，假设只考虑理想因素，可以忽略某些个别不重要因子，由于在前面的相关性分析之中我们知道
与因变量y的相关性最弱所以，只要检验通过，我们可以忽略
置信区间的影响。
所以模型
即为所求
（五）对回归模型的检验与验证
（解决问题）一个模型建立是否合理，要看能否解决当前的实际问题，现在我们将上面得到的保障房规模模型对当前某省的情况进行检测，希望可以得到我们模型的准确性
某省住房保障模规模比例数据
年份
X1
X2
X3
X4
X5
y
Y估计
2005
6.85
2.22
590.27
43.7
6.565525
2.244988
31.64839
2006
8.47
2.322
694.17
42.40
8.16512
3.548913
43.44825
2007
9.42
2.63
850.24
39.70
10.34725
2.305725
57.80356
2008
12.99
2.949
988.12
41.00
13.26047
3.469705
68.92819
2009
14.09
2.893
988.12
39.60
15.51256
3.210836
69.88693
根据以上介绍我们同样采用逐步回归和[b,bint,r,rint,stats]=regress（y',A,0.05）命令求解
y=-0.5136-0.3163x1-10.9299x2+0.0525x3-0.3294x4+0.4923x5
：
图一（全国保障房规模数据图）
图二（某省保障房规模数据图）
（对比图像我们看出图二与图一的2004年后图像相近）
此模型与我们所建模型，完全不符，这是因为时间推移造成的影响，图像也给出证明，但是我们的建模设计过程是通过逐步迭加，这是没有错误的，
联系当前我国房价统计情况，在1996～2009年间，正处于城镇住房保障的形式和快速发展阶段，相关性分析也做出表明，说明住房呈现供不应求的局面，人均可支配收入的增加，商品房价格也在增加，由图例根据我们的模型可预测我国的住房保障规模大致稳定在5%左右，并且建议我国的住房保障规模应维持现状，这样才符合当前需要
六、对分析的评价与改进
一、统计分析与模型的优点：
1.此分析与模型层层替推，之间的逻辑清晰，便于理解，更易实用；
2.模型考虑的比较全面，运用此模型可以十分准确地推测各因素对房地产产业的发展影响比重；
3.模型更加具体，分析的结果更适合实际情况；
二、统计分析与模型的缺点：
1，数据检验时由于受到量纲不同的到的检验有些并没有通过
2.前期准备时所需数据量不容易收集，而且处理数据时容易出错；
2.模型中用到的一些数据会是人的一些经验所得，所以会有一定的误差；
3.由于在建立模型时不能考虑到所有的影响因素，必须忽略一些次要因素，所以只能大概的反映城镇居民住房的保障情况。
三，分析模型可以改进之处
上面我们已经提到
参数估计的置信区间为[-0.95360.6530]，这个区间包含有0元素，我们一般的模型假设检验都是设
，但是
的取值有可能为0，这是模型存在可改进的地方之一，我们可以考虑剔除变量，即在逐步回归中去掉次变量，或引入某些变量。
方差分析中可以采用马氏距离
参考文献
@标准车流数据的处理胡尧
（1）多元统计分析张润
升级会员 