一元线性回归预测：销售收入与广告支出实战

2019

万事胜意

欢迎关注天善智能，我们是专注于商业智能BI，人工智能AI，大数据分析与挖掘领域的垂直社区，学习，问答、求职一站式搞定！

对商业智能BI、大数据分析挖掘、机器学习，python，R等数据领域感兴趣的同学加微信：tstoutiao，邀请你进入数据爱好者交流群，数据爱好者们都在这儿。

作者：herainR语言中文社区专栏作者

知乎ID：https://www.zhihu.com/people/herain-14

前言

数据挖掘的学习中，一元线性回归，通过现实生活中的企业销售和广告支出这两者之间的联系，进行线性回归模型的学习和形成商业二维变量分析的方法。

前提：一元回归的建模思路大致如下：

第一步：确定因变量与自变量之间的关系

第二步：建立线性关系模型，并对模型进行估计和检验

第三步：利用回归方程进行预测

第四步：对回归模型进行诊断

1 确定因变量与自变量之间的关系

1.1 确定变量之间的关系

数据：企业的销售收入与广告支出的二维表：（example9_1数据框）

1.2 相关关系的描述

对数据example9_1用scatterplot图表化，一目了然变量之间的关系(初步结论 变量之间存在正向的线性关系)：

library('car')scatterplot(销售收入~广告支出, data=example9_1,spread=F,lty.smooth=1, pch=18, xlab="广告支出",ylab="销售收入",cex.lab=0.7, family = 'SimSun')

1.3 关系强度的度量

相关系数两变量之间线性关系强度的统计量r（也叫做pearson 相关系数，-1<=r<=1）, 具体公式请参考资料。

> cor(example9_1[,2], example9_1[,3])[1] 0.937114

相关系数的检验，用t分布检验：

第一步：提出假设：

原假设：两个变量的线性关系不显著

备择假设：两个变量的线性关系显著

第二步： 计算统计变量t:

install.packages("psych",repos="The Comprehensive R Archive Network") library(psych)cor.test(example9_1[,2], example9_1[,3])    Pearson's product-moment correlationdata:  example9_1[, 2] and example9_1[, 3]t = 11.391, df = 18, p-value = 1.161e-09alternative hypothesis: true correlation is not equal to 095 percent confidence interval: 0.8450142 0.9752189sample estimates:     cor 0.937114 

第三步：进行决策：统计量P值小于0.05，拒绝原假设，得出两个变量的线性关系显著

2 建立线性关系模型，并进行估计与检验

2.1 建立回归模型：