女性用“2”表示；
[4] x4表示受教育状况，本科用“0”表示，硕士用“1”，博士用“2”
[5] x5表示工作部门，技术岗位用“0”表示，管理岗位用“1”表示； [6] x6表示一线工作情况，“0”表示没有参加，“1”表示参加； [7] x7表示培训情况，“0”表示未受培训，“1”表示经受培训。 [8] 实验数据组数n=90；
表示，博士后用“3”表示；
七．模型求解
1. 利用Matlab统计工具箱，在工作区间中导入矩阵X和Y，输入命令：
[b,bint,r,rint,stats]=regress(Y,X,0.05)
其中，0.05为alpha，输出b为?的估计值?，bint为b的置信区间，r为残差向量Y?X
stats有三个值：
回归方程的决定系数R（R是相关系数）；
2??，rint为r的置信区间，stats为回归模型的检验统计量。
?F统计量值；
与F统计量值相关的概率P；
按照上述步骤得到结果：
b = 26.0903 0.2844 bint = 19.4684 32.7122 -6.6886 7.2573 6
2.3447 -0.9181 9.3482 0.1655 -1.0901 2.6305 -5.4847 3.6484 5.1955 13.5008 -3.2266 3.5576 -4.9466 2.7665 -4.0906 9.3516 -4.1254 6.9823
R2stats = F统计量值 P 0.8428 62.7812 0 b bint
386.8777178 344.5566879 429.1987477 2.979612886 -77.28759278 83.24681856 0.887073296 0.754217792 1.0199288 -8.385908617 -60.89479454 44.1229773 107.9310123 60.04799244 155.8140322 7.438329231 -31.50155401 46.37821247 -0.201107965 -44.29963893 43.897423 7.812507558 -69.64525239 85.27026751
stats= R2 F统计量 44.7022 P 0 0.7924
2.为了检测7个变量是否对工资有显著性影响，我们用stepwise函数，在Matlab工作空间中输入命令：
stepwise(X,Y,8,0.05)
其中8表示矩阵X的列数，0.05为显著性水平alpha值；
7
得到交互式画面：
其中蓝色表示较显著性因子，其他表示次要因子，在修正模型时可忽略。上图中
'xx的3即为表示工龄变量2，x5即为受教育情况变量x4，而且可以从数据
中观察出，x7完全随着x4的变化而变化，x4为0则x7也为0，x4为非0则x7也为1，可见x7带来的影响完全可以用x4来替代表示，因此在修正模型时只考虑这两个变量，则有
Y??0??2x’2??4x4
现在令
?1?‘X?(l,x,x)?24???1?x’21‘x21x41???? x4n??则可以得到
8
??0?????2???4?????
3.在Matlab中利用rcoplot函数查找数据之中的异常点，输入命令：
rcoplot(r,rint)
得到异常值分布图，如下所示：
其中红色表示异常值点，即第43、47、52、60、61、67、90组数据，故在进一步修正时可以忽略。
将剩余83组数据重新带入，进行计算，在Matlab中输入命令：
9
[b,bint,r,rint,stats]=regress(Y,X,0.05)
则得到该回归方程的线性回归系数： b= 370.2719 0.9284 111.1440 Stats= bint= 349.6862 390.8576 0.8321 1.0246 91.2196 131.0683 R2 F统计量 270.2000 P 0 0.9000
可以看出，修正后回归方程的决定系数R为0.9000，相关系数R值为0.9487，比修正前模型更准确。可以说明这样的修正是符合实际的，进而得到修正后回归方程为：
Y?370.2719?0.9284x‘?111.1440x4 22
4.下面研究其他次要因素的影响：
①为分析性别对工资的影响，将数据按性别分为男、女两类，分别按照上述方法进行建模，通过对比进行分析。
通过Matlab计算，得到男性工资方程回归系数：
10