Matlab统计分析，方差分析+回归分析+聚类分析（附完整可运行代码）

在科研数据分析、工业数据挖掘、社科调研等场景中，方差分析、回归分析、聚类分析是三大核心统计方法。Matlab凭借其强大的Statistics and Machine Learning Toolbox（统计与机器学习工具箱），能够快速实现这三类分析，无需复杂的底层算法编写，兼顾效率与准确性。

一、前期准备：Matlab统计工具箱确认与安装

在开始之前，需确认你的Matlab已安装Statistics and Machine Learning Toolbox，步骤如下：

1. 打开Matlab，在命令行窗口输入 ver stats，回车运行；
2. 若输出该工具箱的版本、发布日期等信息，说明已安装；若提示“未找到命令”，则需要安装该工具箱。

工具箱安装方法：
点击Matlab主页的「附加功能」→「获取附加功能」，在搜索框输入“Statistics and Machine Learning Toolbox”，按照提示完成下载与安装，安装完成后重启Matlab即可。

二、Matlab方差分析（ANOVA）：比较多组数据均值差异

1. 方差分析核心用途与极简原理

方差分析（Analysis of Variance，简称ANOVA）主要用于比较2组及以上独立样本的均值是否存在显著统计学差异，核心是将数据的总变异分解为「组间变异」和「组内变异」，通过F检验判断组间变异是否显著大于组内变异。若检验结果的p值<0.05（常用显著性水平），则说明至少有一组数据的均值与其他组存在显著差异。

本文重点讲解最常用的单因素方差分析（One-way ANOVA）（仅一个影响因素，如不同施肥方案对小麦产量的影响），双因素方差分析可基于单因素流程拓展。

2. Matlab单因素方差分析实战步骤

（1）数据准备

模拟场景：研究3种不同施肥方案（因素水平：方案A、方案B、方案C）对小麦亩产量的影响，每种方案设置10个重复试验，生成带随机噪声的模拟数据（可直接替换为你的真实数据）。

% 单因素方差分析数据准备：3种施肥方案，每种10个重复样本
rng(123); % 设置随机数种子，保证结果可复现
fertilizer_A = 500 + 20*randn(10,1); % 方案A产量：均值500，标准差20
fertilizer_B = 550 + 25*randn(10,1); % 方案B产量：均值550，标准差25
fertilizer_C = 480 + 18*randn(10,1); % 方案C产量：均值480，标准差18

% 组合数据与因素标签（方便后续结果解读）
yield_data = [fertilizer_A; fertilizer_B; fertilizer_C]; % 合并所有产量数据
group_label = [repmat('方案A',10,1); repmat('方案B',10,1); repmat('方案C',10,1)]; % 分组标签

（2）核心代码实现（anova1函数）

Matlab中专门用于单因素方差分析的函数是 anova1，语法简洁，输出结果直观。

% 单因素方差分析核心代码
[p, table, stats] = anova1(yield_data, group_label);

% 输出关键结果
fprintf('单因素方差分析p值：%.6f\n', p);

（3）结果解读

1. 运行代码后，Matlab会自动弹出箱线图，直观展示三组数据的分布、中位数、异常值，可快速判断组间差异趋势；
2. 命令行窗口输出p值，同时工作区会生成table（方差分析表）和stats（后续多重比较所需统计量）；
3. 方差分析表（table）核心列解读：
   • Source：变异来源（Groups=组间，Error=组内，Total=总变异）；
   • SS：平方和（反映变异程度大小）；
   • df：自由度；
   • MS：均方（SS/df，消除自由度影响的变异量）；
   • F：F统计量（组间MS/组内MS）；
   • Prob>F：即p值（核心判断指标）。

判断规则：

• 若p<0.05：拒绝原假设（各组均值无差异），说明至少有一组施肥方案的产量与其他组存在显著差异；
• 若p≥0.05：接受原假设，说明三种施肥方案对产量无显著影响。

（4）拓展：多重比较（明确哪两组存在差异）

方差分析仅能判断“是否有差异”，无法判断“哪两组有差异”，此时可使用multcompare函数进行多重比较：

% 多重比较：明确组间差异具体来源
multcompare(stats);

运行后会弹出多重比较图和结果表，图中不包含0的区间对应的两组数据，即为存在显著差异的组别。

三、Matlab回归分析：探究变量间的数量依存关系

1. 回归分析核心用途与极简原理

回归分析（Regression Analysis）用于探究自变量（解释变量）与因变量（被解释变量）之间的线性或非线性数量关系，核心价值是实现趋势分析与预测。本文重点讲解多元线性回归（最常用，多个自变量对应一个因变量），基于最小二乘法拟合回归方程：$y = a_0 + a_1x_1 + a_2x_2 + ... + a_nx_n$。

关键评价指标：

• $R^2$（决定系数）：反映回归模型对数据的拟合优度，取值0~1，越接近1拟合效果越好；
• 回归系数p值：判断单个自变量对因变量的影响是否显著（p<0.05为显著）。

2. Matlab多元线性回归实战步骤

（1）数据准备

模拟场景：探究房屋面积（$x_1$）、房龄（$x_2$）对房屋售价（$y$）的影响，生成50个样本的模拟数据。

% 多元线性回归数据准备：2个自变量（面积、房龄），1个因变量（售价）
rng(123); % 固定随机数种子，结果可复现
n = 50; % 样本量
area = 80 + 120*rand(n,1); % 房屋面积：80~200㎡
age = 1 + 30*rand(n,1); % 房龄：1~30年
% 房屋售价：模拟真实关系，加入随机噪声（单位：万元）
price = 100 + 2.5*area - 3*age + 15*randn(n,1);

% 构造回归分析数据矩阵（第一列为常数项，对应截距a0）
X = [ones(n,1), area, age];
Y = price;

（2）核心代码实现（两种常用函数）

Matlab中实现线性回归有两种便捷方式，regress（入门级，输出简洁）和fitlm（进阶级，输出信息更全面，推荐）。

方式1：regress函数（入门级）

% 多元线性回归：regress函数
[beta, bint, r, rint, stats] = regress(Y, X);

% 输出关键结果
fprintf('回归系数（截距、面积系数、房龄系数）：\n');
disp(beta);
fprintf('R²值：%.6f\n', stats(1));
fprintf('回归模型整体显著性p值：%.6f\n', stats(3));

方式2：fitlm函数（进阶级，推荐）

% 多元线性回归：fitlm函数（输出更全面，自带模型诊断）
% 先构造表格数据，方便标签对应
data_table = table(area, age, price, 'VariableNames', {'面积','房龄','售价'});
lm_model = fitlm(data_table, '售价 ~ 面积 + 房龄'); % 指定回归公式

（3）结果解读

1. regress函数结果解读：

   • beta：回归系数，依次为截距$a_0$、面积系数$a_1$、房龄系数$a_2$，系数正负反映自变量与因变量的正负相关关系；
   • stats(1)：$R^{2$值，本文模拟数据的$R}2$接近0.9，说明模型拟合效果良好；
   • stats(3)：模型整体F检验p值，若p<0.05，说明回归模型整体显著有效。

2. fitlm函数结果解读（更直观）：
   运行后会直接输出完整的回归分析报告，包含：

   • 回归系数表：包含系数估计值、标准误、t统计量、p值，可判断单个自变量（面积、房龄）对售价的影响是否显著；
   • 模型拟合优度：$R^{2$、调整$R}2$（更适合多元回归）；
   • 模型诊断图：可后续通过plotDiagnostics(lm_model)绘制残差图，判断模型是否满足线性回归的前提假设。

3. 回归方程构建：
   基于beta结果，可写出具体回归方程，例如本文模拟数据的方程为：
   $售价 = a_0 + 2.5×面积 - 3×房龄$（与模拟数据的真实关系一致，噪声不影响核心趋势）。

（4）拓展：模型预测

构建好回归模型后，可利用predict函数进行预测：

% 回归模型预测：预测一套120㎡、10年房龄的房屋售价
new_data = table(120, 10, 'VariableNames', {'面积','房龄'});
pred_price = predict(lm_model, new_data);
fprintf('120㎡、10年房龄房屋的预测售价：%.2f万元\n', pred_price);

四、Matlab聚类分析：无监督数据分类与分群

1. 聚类分析核心用途与极简原理

聚类分析（Clustering Analysis）是无监督学习方法，无需先验标签，仅基于数据自身的特征相似性，将相似数据样本归为同一类别，相异样本归为不同类别。核心用途包括客户分群、数据降噪、特征挖掘等。

本文重点讲解最经典、最常用的K-Means聚类算法，核心步骤：

1. 指定聚类数K；
2. 随机初始化K个聚类中心；
3. 计算每个样本到聚类中心的距离，将样本分配到最近的类别；
4. 更新聚类中心，重复迭代直到聚类中心稳定。

2. Matlab K-Means聚类实战步骤

（1）数据准备

使用Matlab内置的鸢尾花数据集（iris）（经典聚类数据集，无需手动构造），该数据集包含150个样本，4个特征变量，我们去除标签信息，进行无监督聚类。

% K-Means聚类数据准备：加载iris鸢尾花数据集
load fisheriris; % 加载数据，工作区生成meas（特征数据）和species（标签）
feature_data = meas; % 提取4个特征变量（花萼长度、花萼宽度、花瓣长度、花瓣宽度）
feature_names = {'花萼长度','花萼宽度','花瓣长度','花瓣宽度'}; % 特征标签，方便解读

（2）核心代码实现（kmeans函数）

Matlab中内置kmeans函数实现K-Means聚类，核心语法简洁，支持自定义聚类数、迭代次数等参数。

% K-Means聚类核心代码
K = 3; % 指定聚类数（鸢尾花数据集真实类别数为3，可根据实际场景调整）
rng(123); % 固定随机数种子，保证聚类结果可复现
[idx, C, sumd, dist] = kmeans(feature_data, K, 'Replicates', 10); % 运行K-Means聚类

% 输出关键结果
fprintf('聚类数：%d\n', K);
fprintf('各聚类中心（4个特征）：\n');
disp(C);
fprintf('每个样本的聚类分配结果（前10个样本）：\n');
disp(idx(1:10));

参数说明：

• idx：每个样本的聚类分配标签（1~K）；
• C：K个聚类的中心坐标；
• sumd：每个聚类的样本到该聚类中心的距离平方和；
• 'Replicates'：重复运行聚类的次数，避免局部最优解。

（3）结果解读与可视化

聚类结果的直观解读依赖可视化，由于鸢尾花数据是4维特征，我们选择前3个特征进行3D散点图可视化。

% K-Means聚类结果可视化：3D散点图（展示前3个特征）
figure('Position', [100, 100, 800, 600]);
scatter3(feature_data(:,1), feature_data(:,2), feature_data(:,3), 50, idx, 'filled');
xlabel(feature_names{1});
ylabel(feature_names{2});
zlabel(feature_names{3});
title('Matlab K-Means聚类结果可视化（K=3）');
grid on;
hold on;
% 绘制聚类中心
scatter3(C(:,1), C(:,2), C(:,3), 200, 1:K, 'filled', 'Marker', 'd');
legend('聚类1','聚类2','聚类3','聚类中心','Location','best');
hold off;

1. 可视化结果解读：
   不同颜色的点代表不同聚类，菱形点代表聚类中心，可直观看到样本的分类聚集情况，若聚类效果良好，同一类别的样本会紧密聚集，不同类别的样本会明显分离。

2. 聚类效果评价（简单拓展：肘部法则）
   若不确定最优K值，可使用「肘部法则」：计算不同K值对应的总距离平方和（sum(sumd)），绘制折线图，折线出现“肘部”的K值即为最优聚类数。

% 肘部法则：选择最优K值
K_range = 1:10;
total_sumd = zeros(size(K_range));
for i = 1:length(K_range)
    [~, ~, sumd_temp] = kmeans(feature_data, K_range(i), 'Replicates', 10);
    total_sumd(i) = sum(sumd_temp);
end

% 绘制肘部法则图
figure('Position', [100, 100, 800, 600]);
plot(K_range, total_sumd, 'o-', 'LineWidth', 2);
xlabel('聚类数K');
ylabel('总距离平方和');
title('K-Means聚类最优K值选择（肘部法则）');
grid on;

五、总结与实战注意事项

1. 核心方法与Matlab函数回顾

统计分析方法	核心用途	Matlab核心函数	关键评价指标
单因素方差分析	比较多组数据均值差异	anova1、multcompare	p值、箱线图
多元线性回归	探究变量间数量关系与预测	regress、fitlm	$R^2$、回归系数p值
K-Means聚类	无监督数据分群	kmeans	聚类中心、总距离平方和

2. 实战注意事项

1. 方差分析：需满足正态性、方差齐性、独立性三个前提假设，若不满足，可使用非参数方差分析（kruskalwallis函数）；
2. 回归分析：避免多重共线性（自变量间高度相关），可通过相关系数矩阵或方差膨胀因子（VIF）检验，若存在共线性，可剔除部分自变量或进行主成分回归；
3. 聚类分析：K值选择是关键，除肘部法则外，还可使用轮廓系数（silhouette函数）评价聚类效果，数据预处理（标准化/归一化）可提升聚类精度（zscore函数实现数据标准化）。