R语言与回归分析学习笔记（应用回归小结）（1）

         回归分析是计量与统计的一个核心话题。我的博客在这篇之前也写过两篇关于回归的文章：《R 语言与简单的回归分析》、《R语言与回归分析几个假设的检验》。后者很清楚的告诉了我们回归模型假设的严苛：响应变量不仅需要数值型的，而且还必须来自正态分布。但是在很多情况情况下他们是很难得到满足的：比如抽样调查时，我们经常只得到虚拟变量；再比如正态性的假设的同方差性极其难得。

      我的博客之前贴出过回归分析的作业和我给的参考实现，今天这篇文章就是把应用回归分析作业中出现的一些命令，以及做作业时的一些感想贴出来与大家分享。

      一些关于回归的理论知识可以通过查阅王松桂等编著的《线性统计模型》一书，我们在这里并不详述理论的推导。

一、回归的基础模型

        回归模型的基本命令就是lm()，调用格式为：

       lm(formula,data, subset, weights, na.action, method = "qr", model = TRUE, x =FALSE, y = FALSE, qr = TRUE, singular.ok = TRUE, contrasts = NULL, offset, ...)

        这里method仅提供最小二乘法一种。Data必须为数据框。Formula可以是一元的，也可以是多元的，还可以有交互项，甚至可以没有常数项。我们以R中的数据集mtcars为例，说明回归模型。在R中敲入以下代码：

fit<-lm(mpg~hp+wt+hp:wt+I(wt^2),data=mtcars)
summary(fit)

输出结果：

Call:

lm(formula= mpg ~ hp + wt + hp:wt + I(wt^2), data = mtcars)

Residuals:

    Min           1Q           Median            3Q        Max

-3.0714   -1.6122       -0.7299      1.3858     4.4947

Coefficients: