R语言 一元线性回归学习记录

基础知识需要了解正态分布，T检验值，P-value值，显著性检验等。
下面是代码与注释讲解：

csvpath<-file.choose()
csvpath

df<-read.csv(csvpath,header=T,row.names = 1)
df

x<-as.numeric(df[,1])
y<-as.numeric(df[,2])
x
y

plot(y~x+1)

jhy<-lm(y~1+x) #建立线性回归模型
jhy

xm<-mean(x)  #调用mean函数求均值
xm


plot(y~x+1) # 绘制回归线
abline(jhy) #绘制拟合直线

summary(jhy) #统计结果

#> summary(jhy) #统计结果

#Call:
#  lm(formula = y ~ 1 + x)

#Residuals:
#  Min      1Q  Median      3Q     Max 
#-6.0867 -1.1916 -0.9292  3.7559  4.5430 

#Coefficients:
#  Estimate Std. Error t value Pr(>|t|)    
#(Intercept) 362.2343   590.1104   0.614    0.545    
#x             0.9790     0.0418  23.419   <2e-16 ***
#  ---
#  Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

#Residual standard error: 3.523 on 24 degrees of freedom
#Multiple R-squared:  0.9581,	Adjusted R-squared:  0.9563 
#F-statistic: 548.4 on 1 and 24 DF,  p-value: < 2.2e-16

#Call，列出了回归模型的公式。
#Residuals，列出了残差的最小值点，1/4分位点，中位数点，3/4分位点，最大值点。
#Coefficients，表示参数估计的计算结果。
#Estimate，为参数估计列。Intercept行表示常数参数a的估计值 ，x行表示自变量x的参数b的估计值。
#Std. Error，为参数的标准差，sd(a), sd(b)
#t value，为t值，为T检验的值
#Pr(>|t|) ，表示P-value值，用于T检验判定，匹配显著性标记
#显著性标记，***为非常显著，**为高度显著, **为显著，·为不太显著，没有记号为不显著。
#Residual standard error，表示残差的标准差，自由度为n-2。
#Multiple R-squared，为相关系数R^2的检验，越接近1则越显著。
#Adjusted R-squared，为相关系数的修正系数，解决多元回归自变量越多，判定系数R^2越大的问题。
#F-statistic，表示F统计量，自由度为(1,n-2)，p-value:用于F检验判定，匹配显著性标记。


residuals<-residuals(jhy) #计算残差
residuals

shapiro.test(residuals) #正态分布检验

plot(residuals) #画出残差图
plot(jhy) 

wmj<-df[c(7,11,19),] #查看第7，9，11列数据 因为这几列在几个图中同时出现
wmj

df2<-df[-c(7,11,19),] #去掉第7，9，11列数据
df2

x2<-as.numeric(df2[,1]) #重新建立回归建模和显著性检验
y2<-as.numeric(df2[,2])
lm.ab2<-lm(y2 ~ 1+x2)
summary(lm.ab2)

new<-data.frame(x=15440) #设置值
new
lm.pred<-predict(lm.ab2,new,interval="prediction",level=0.95) #对设置的值进行预测
lm.pred

以上为记录