什么是拟合值

1. 什么是拟合值

插值和拟合都是函数逼近或者数值逼近的重要组成部分

他们的共同点都是通过已知一些离散点集M上的约束，求取一个定义
在连续集合S(M包含于S)的未知连续函数，从而达到获取整体规律的
目的，即通过"窥几斑"来达到"知全豹"。

简单的讲，所谓拟合是指已知某函数的若干离散函数值{f1,f2,…,fn}，通
过调整该函数中若干待定系数f(λ1, λ2,…,λ3), 使得该函数与已知点集的
差别(最小二乘意义)最小。如果待定函数是线性，就叫线性拟合或者
线性回归(主要在统计中)，否则叫作非线性拟合或者非线性回归。表
达式也可以是分段函数，这种情况下叫作样条拟合。

而插值是指已知某函数的在若干离散点上的函数值或者导数信息，通
过求解该函数中待定形式的插值函数以及待定系数，使得该函数在给
定离散点上满足约束。插值函数又叫作基函数，如果该基函数定义在
整个定义域上，叫作全域基，否则叫作分域基。如果约束条件中只有
函数值的约束，叫作Lagrange插值，否则叫作Hermite插值。

从几何意义上将，拟合是给定了空间中的一些点，找到一个已知形式
未知参数的连续曲面来最大限度地逼近这些点；而插值是找到一个(
或几个分片光滑的)连续曲面来穿过这些点。

具体插值拟合的计算参考下面回复：

1)Matlab中如何作线性拟合/线性回归/多元线性回归？
:#FangQ(Qianqian.Fang@Dartmouth.Edu),2002/6/21, BigGreen/MathTools #

即用y=a*x+b来拟合一组数据{{x1,y1},{x2,y2}…{xn,yn}}
matlab中使用polyfit
x=data(:,1);
y=data(:,2);
p=polyfit(x,y,1);
p(1)为斜率a，p(2)为截距b

多元线性回归即用y=a1*x1+a2*x2+..+am*xm来拟合数据点{x1i,x2i,…xmi,yi}
(i=1~n)

|x11,x21,…xm1|
A=|x12,x22,…xm2|
|…………… |
|x1n,x2n,…xmn|

Y={y1,y2,y3,…,yn}'

则系数{a1,a2,…,am}'=pinv(A)*Y
在matlab中使用
coeff=A\Y
则可以得到最小二乘意义上的拟合系数

matlab默认只提供了多项式拟合的函数polyfit，对于其他稍微简单
一点的拟合，如标准的指数、对数、高阶多项式拟合，都有解析公式，参见：
http://mathworld.wolfram.com/LeastSquaresFitting.html
对于更加复杂的非线性函数，建议使用Mathematica或者DataFit

Mathematica中提供了Fit[],以及
<< Statistics`NonlinearFit`
NonlinearFit[],NonlinearRegress[]
可以拟合任意复杂的表达式。

DataFit可以自定义拟合模型，适用于复杂系统的拟合。

2. 拟合优度和修正的拟合优度有什么异同呀?

拟合优度（Goodness of Fit）是指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数（亦称确定系数）R^2。R^2的取值范围是[0，1]。R^2的值越接近1，说明回归直线对观测值的拟合程度越好；反之，R^2的值越接近0，说明回归直线对观测值的拟合程度越差。
R衡量的是回归方程整体的拟合度，是表达因变量与所有自变量之间的总体关系。R等于回归平方和在总平方和中所占的比率，即回归方程所能解释的因变量变异性的百分比。实际值与平均值的总误差中，回归误差与剩余误差是此消彼长的关系。因而回归误差从正面测定线性模型的拟合优度，剩余误差则从反面来判定线性模型的拟合优度。
统计上定义剩余误差除以自由度n – 2所得之商的平方根为估计标准误。为回归模型拟合优度的判断和评价指标，估计标准误显然不如判定系数R。R 是无量纲系数，有确定的取值范围 (0—1)，便于对不同资料回归模型拟合优度进行比较；而估计标准误差是有计量单位的，又没有确定的取值范围，不便于对不同资料回归模型拟合优度进行比较。
金融的应用和解释：
拟合优度是一个统计术语，是衡量金融模型的预期值和现实所得的实际值的差距。
它是一种统计方法应用于金融等领域，基于所得观测值的基础上作出的预测。换句话说，它是衡量如何将实际观测的数值进行模拟的相关预测。[1] 
调整拟合优度：有的时候不需要太看重拟合优度，计量方程的经济学含义远远比统计学意义重要。只要经济学含义是正确的，我们还是认为低拟合优度说明了问题。当然，你也可以通过修正异方差、自相关或者取对数、重新设定模型等方式改进模型。另外要注意:在计量分析中不可以随便添加变量，虽然拟合优度增加了，但是调整的拟合优度却可能下降，而且可能产生多重共线的问题。
修正的是把计算方差所损失掉的自由度排除掉

3. 拟合是什么意思?

拟合意思是就是把平面上一系列的点，用一条光滑的曲线连接起来。一组观测结果的数字统计与相应数值组的吻合。


所谓拟合是指已知某函数的若干离散函数值f1,f2,…,fn，通过调整该函数中若干待定系数f(λ1, λ2,…,λn), 使得该函数与已知点集的差别(最小二乘意义)最小。
插值和拟合都是函数逼近或者数值逼近的重要组成部分他们的共同点都是通过已知一些离散点集M上的约束，求取一个定义在连续集合S(M包含于S)的未知连续函数，从而达到获取整体规律的目的，即通过"窥几斑"来达到"知全豹"。
形象的说，拟和就是把平面上一系列的点，用一条光滑的曲线连接起来。因为这条曲线有无数种可能，从而有各种拟和方法。拟和的曲线一般可以用函数表示。根据这个函数的不同有不同的拟和的名字。
从几何意义上将，拟合是给定了空间中的一些点，找到一个已知形式未知参数的连续曲面来最大限度地逼近这些点；而插值是找到一个(或几个分片光滑的)连续曲面来穿过这些点。

4. 什么是拟合指数？

1、CFI
CFI——comparative fit index，比较拟合指数，该指数在对假设模型和独立模型比较时取得，其值在0－1之间，愈接近0表示拟合愈差，愈接近1表示拟合愈好。一般认为，CFI≥0.9，认为模型拟合较好。
2、TLI
TLI——Tucker-Lewis index，Tucker-Lewis指数，该指数是比较拟合指数的一种，取值在0－1之间，愈接近0表示拟合愈差，愈接近1表示拟合愈好。如果TLI﹥0.9，则认为模型拟合较好。
3、RMSEA
RMSEA——root-mean-square error of approximation，近似误差均方根，RMSEA是评价模型不拟合的指数，如果接近0表示拟合良好，相反，离0愈远表示拟合愈差。一般认为，如果RMSEA=0，表示模型完全拟合；RMSEA＜0.05，表示模型接近拟合；0.05≤RMSEA≤0.08，表示模型拟合合理；0.08＜RMSEA＜0.10，表示模型拟合一般；RMSEA≥0.10，表示模型拟合较差。

扩展资料：不同学者提出了许多不同的拟合指数。常用的指标一般是卡方，自由度df，RMSEA( Root Mean Square Error of Approximation, 近似误差均方根）)，GFI（goodness-of-fit index, 拟合优度指数），NNFI（non-normed fit index）和CFI(comparative fit index, 比较拟合指数)。一般认为，如果RMSEA在0.08以下（越小越好），GFI、NNFI和CFI在0.9以上（越大越好），所拟合的模型是一个“好”模型。
AGFI（adjusted goodness-of-fit index），IFI也是越大越好，表明模型拟合的较好，不过现在不常用。卡方和自由度主要用于比较多个模型，卡方值越小越好，自由度反映了模型的复杂程度，模型越简单，自由度越多，反之，模型越复杂，自由度越少。总的来说，我们追求的是既简单又拟合得好的模型。

5. 什么叫调整的拟合优度

1.拟合优度是指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数R²。R²最大值为1。R²的值越接近1，说明回归直线对观测值的拟合程度越好；反之，R²的值越小，说明回归直线对观测值的拟合程度越差。
 
 2.R²衡量的是回归方程整体的拟合度，是表达因变量与所有自变量之间的总体关系。R²等于回归平方和在总平方和中所占的比率，即回归方程所能解释的因变量变异性的百分比。实际值与平均值的总误差中，回归误差与剩余误差是此消彼长的关系。因而回归误差从正面测定线性模型的拟合优度，剩余误差则从反面来判定线性模型的拟合优度。
 
 3.统计上定义剩余误差除以自由度n–2所得之商的平方根为估计标准误。为回归模型拟合优度的判断和评价指标，估计标准误显然不如判定系数R²。R²是无量纲系数，有确定的取值范围 0到1，便于对不同资料回归模型拟合优度进行比较。

6. 拟合值是什么

问题一：在回归模型中Y的拟合值是指什么  回归模型的预测输出就叫拟合值，比如说一个回归函数，最后计算出的值就叫拟合值 
  
   问题二：拟合和是什么意思  ：曲线拟合曲线拟合曲线拟合正文用连续曲线近似地刻画或比拟平面上离散点组所表示的坐标之间的函数关系。更广泛地说，空间或高维空间中的相应问题亦属此范畴。在数值分析中，曲线拟合就是用解析表达式逼近离散数据，即离散数据的公式化。实践中，离散点组或数据往往是各种物理问题和统计问题有关量的多次观测值或实验值，它们是零散的，不仅不便于处理，而且通常不能确切和充分地体现出其固有的规律。这种缺陷正可由适当的解析表达式来弥补。数学表述　设给定离散数据　(1)式中xk为自变量x(标量或向量,即一元或多元变量)的取值；yk为因变量y（标量）的相应值。曲线拟合要解决的问题是寻求与(1)的背景规律相适应解析表达式　(2)使它在某种意义下最佳地逼近或拟合(1),?(x,b)称为拟合模型；为待定参数,当b)仅在?中线性地出现时，称模型为线性的，否则为非线性的。 
  
   问题三：拟合 什么意思  拟合[nǐ hé] 
  [解释]一组观测结果的数字统计与相应数值组的吻合. 
  
   问题四：拟合是什么意思  所谓拟合是指已知某函数的若干离散函数值{f1,f2,…,fn}，通过调整该函数中若干待定系数f(λ1, λ2,…,λn)，使得该函数与已知点集的差别(最小二乘意义)最小。 
  如果待定函数是线性，就叫线性拟合或者线性回归(主要在统计中)，否则叫作非线性拟合或者非线性回归。表达式也可以是分段函数，这种情况下叫作样条拟合。 
  一组观测结果的数字统计与相应数值组的吻合。形象的说,拟合就是把平面上一系列的点，用一条光滑的曲线连接起来。因为这条曲线有无数种可能，从而有各种拟合方法。拟合的曲线一般可以用函数表示，根据这个函数的不同有不同的拟合名字。 
  在MATLAB中可以用polyfit 来拟合多项式。 
  拟合以及插值还有逼近是数值分析的三大基础工具，通俗意义上它们的区别在于：拟合是已知点列，从整体上靠近它们；插值是已知点列并且完全经过点列；逼近是已知曲线，或者点列，通过逼近使得构造的函数无限靠近它们。 
  
   问题五：最小二乘法拟合出的值是什么作用  拟合出的数值是曲线的系数，说白了就是用数据得到曲线 
  
   问题六：什么是拟合？  形象的说,拟和就是把平面上一系列的点,用一条光滑的曲线连接起来.因为这条曲线有无数种可能,从而有各种拟和方法.拟和的曲线一般可穿用函数表示.根据这个函数的不同有不同的拟和的名字.

7. 什么叫拟合度?

拟合度检验是对已制作好的预测模型进行检验，比较它们的预测结果与病害实际发生情况的吻合程度。通常是对数个预测模型同时进行检验，选其拟合度较好的进行试用。常用的拟合度检验方法有：剩余平方和检验、卡方(c2)检验和线性回归检验等。
⑴．剩余平方和检验是将利用预测的理论预测值（ ）与病害发生的实际情况(y)进行比较，求得它们的差异平方和(Q)、回归误差(S)及曲线相关比(r)的值，希望Q、S的值愈小愈好，曲线相关比（r）愈大愈好。，
r(曲)＝1－(Q/Lyy)
⑵．卡方（c2）检验的计算公式
⑶．回归误差检验法 （Sy/x检验）
通常，多因素预测方程的通式为： y＝b0＋b1x1＋b2x2＋···＋bnxn±2Sy/x
方程尾部的Sy/x为方程的回归误差。在利用预测方程的回归误差进行预测效果的检验时，认为预测值落在2个回归误差的范围之内，就认为预测正确，其实，回归误差是由建立预测方程的原始数据决定的，当原始数据的摆动范围愈大，所建方程的回归误差Sy/x也就愈大，此时用Sy/x作为检验标准，也就扩大了误差范围，因此，该方法的使用尚需探讨。
⑷．参数检验法（线性回归检验法）
在预测模型研制一章中已经提到，要比较几个模型的预测效果时可用参数检验法检查预测值 与病害发生的实测值y的符合情况，即＝y时，它们应符合： =0+1y，
用预测方程所得到的 的与相应的病害发生实测值进行回归，就可以得到如下的线性回归式=a + by，
当有数个预测方程时，便可得到数个如下的线性回归式：
=a1 + b1y，
=a2 + b2y，，
此时比较几个a值和b值，当a值愈趋近于0，b愈趋近于1，则说明该方程的预测效果愈好。按

8. 拟合度的介绍

拟合度检验是对已制作好的预测模型进行检验，比较它们的预测结果与实际发生情况的吻合程度。通常是对数个预测模型同时进行检验，选其拟合度较好的进行试用。常用的拟合度检验方法有：剩余平方和检验、卡方(c2)检验和线性回归检验等。拟合度，也就是“R-squared”。