相关分析 :
函数:cor()
检测:cor.test();
例如:
li = iris[which(iris$Species == "setosa"), 1:2]
plot(li)
求相关系数:cor(li[1],li[2])
相关系数检测:cor.test(li[,1],li[,2]) ,可以理解为置信度为95%,相关系数 X 应该在0.5851391 < X < 0.8460314
一元线性回归:
h = c(171,175,159,155,152,158,154,164,168,166,159,164)
w = c(57,64,61,38,35,44,41,51,57,49,47,46)
plot(h,w)
m = lm(w ~ 1 + h) 括号里理解为:w = a + bh
b = lm(w ~ h - 1)或 lm(w ~ h +0)或 lm(w ~ 0 + h)
括号里理解为:w = bh ,也就是说过原点
summary(m): 查看模型的相关信息
Pr(>|t|) 这个值越接近0越好,后面是“***”的最好
Multiple R-squared: 越接近 1 越好,
注意: 1)数据要符合正态分布
2) 模型要是一元线性回归
185cm的体重是:
z = data.frame(h = 185)
predict(m,z)
二元线性回归:
x1 = c(76,91.5, 85.5, 82.5, 79,80.5, 74.5, 79, 85,76.5, 82,95,92.5)
x2 = c(50 ,20, 20, 30, 30, 50, 60, 50, 40, 55, 40, 40, 20)
y = c(120,141,124,126,117,125,123,125,132,123,132,115,147)
模型:sol = lm(y ~ x1 + x2)
查看模型的相关信息:summary(sol) -- 信息解读同一元线性回归
函数:cor()
检测:cor.test();
例如:
li = iris[which(iris$Species == "setosa"), 1:2]
plot(li)
求相关系数:cor(li[1],li[2])
相关系数检测:cor.test(li[,1],li[,2]) ,可以理解为置信度为95%,相关系数 X 应该在0.5851391 < X < 0.8460314
一元线性回归:
h = c(171,175,159,155,152,158,154,164,168,166,159,164)
w = c(57,64,61,38,35,44,41,51,57,49,47,46)
plot(h,w)
m = lm(w ~ 1 + h) 括号里理解为:w = a + bh
b = lm(w ~ h - 1)或 lm(w ~ h +0)或 lm(w ~ 0 + h)
括号里理解为:w = bh ,也就是说过原点
summary(m): 查看模型的相关信息
Pr(>|t|) 这个值越接近0越好,后面是“***”的最好
Multiple R-squared: 越接近 1 越好,
注意: 1)数据要符合正态分布
2) 模型要是一元线性回归
185cm的体重是:
z = data.frame(h = 185)
predict(m,z)
二元线性回归:
x1 = c(76,91.5, 85.5, 82.5, 79,80.5, 74.5, 79, 85,76.5, 82,95,92.5)
x2 = c(50 ,20, 20, 30, 30, 50, 60, 50, 40, 55, 40, 40, 20)
y = c(120,141,124,126,117,125,123,125,132,123,132,115,147)
模型:sol = lm(y ~ x1 + x2)
查看模型的相关信息:summary(sol) -- 信息解读同一元线性回归