本文介绍了回归分析在统计学中的重要性，特别是普通最小二乘法（OLS）回归，包括简单线性、多项式和多元线性回归。通过实例解释如何使用R语言进行回归建模，用于预测桥梁退化并分析相关变量的影响。此外，还提到了数据框在R中的作用及其创建方法。
| x | y |
| 自变量（independent variable） | 因变量（dependent variable） |
| 解释变量（explanatory variable） | 被解释变量（explained variable） |
| 原因变量（causal variable） | 结果变量（effect variable） |
回归分析都是统计学的核心。它其实是一个广义的概念，通指那些用一个或多个预测变量（也称自变量或解释变量）来预测响应变量（也称因变量、效标变量或结果变量）的方法。通常，回归分析可以用来挑选与响应变量相关的解释变量，可以描述两者的关系，也可以生成一个等式，通过解释变量来预测响应变量。
| 回归类型 | 用途 |
| 简单线性 | 用一个量化的解释变量预测一个量化的响应变量 |
| 多项式 | 用一个量化的解释变量预测一个量化的响应变量，模型的关系是n阶多项式 |
| 多元线性 | 用两个或多个量化的解释变量预测一个量化的响应变量 |
| 多变量 | 用一个或多个解释变量预测多个响应变量 |
| Logistic | 用一个或多个解释变量预测一个类别型响应变量 |
| 泊松 | 用一个或多个解释变量预测一个代表频数的响应变量 |
| Cox比例风险 | 用一个或多个解释变量预测一个事件（死亡、失败或旧病复发）发生的时间 |
| 时间序列 | 对误差项相关的时间序列数据建模 |
| 非线性 | 用一个或多个解释变量预测一个量化的响应变量，不过模型是非线性的 |
| 非参数 | 用一个或多个解释变量预测一个量化的响应变量，模型的形式源自数据形式，不事先设定 |
| 稳健 | 用一个或多个解释变量预测一个量化的响应变量，能抵御强影响点的干扰 |
普通最小二乘法（ordinary least squares,OLS）的基本原则：最优拟合直线应该使得各点到直线的距离的和最小，也可表述为距离的平方和最小。
普通最小二乘（OLSÿ
最低0.47元/天 解锁文章
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
