【R】prediciton.R, face.csv, women.csv

## load the data
face <- read.csv("face.csv")
## two-party vote share for Democrats and Republicans
face$d.share <- face$d.votes / (face$d.votes + face$r.votes)
face$r.share <- face$r.votes / (face$d.votes + face$r.votes)
face$diff.share <- face$d.share - face$r.share

plot(face$d.comp, face$diff.share, pch = 16,
     col = ifelse(face$w.party == "R", "red", "blue"),##col设置颜色，w.party是R就是红色，不是就是蓝色
     xlim = c(0, 1), ylim = c(-1, 1),
     xlab = "Competence scores for Democrats",
     ylab = "Democratic margin in vote share",
     main = "Facial competence and vote share")

plot函数：写在前面的是x，后是y。col设置颜色。ifelse（判断条件，是会咋样，否会咋样） 

cor(face$d.comp, face$diff.share)

cor计算相关系数。返回值介于（-1,1）之间，-1表示完全负相关，1表示完全正相关，0表示没有线性关系。

fit <- lm(diff.share ~ d.comp, data = face) # fit the model
fit

## lm(face$diff.share ~ face$d.comp)
coef(fit)  # get estimated coefficients
head(fitted(fit))  # get fitted or predicted values

plot(face$d.comp, face$diff.share, xlim = c(0, 1.05), ylim = c(-1,1),
     xlab = "Competence scores for Democrats",
     ylab = "Democratic margin in vote share",
     main = "Facial competence and vote share")
abline(fit) # add regression line
abline(v = 0, lty = "dashed")

epsilon.hat <- resid(fit)  # residuals
sqrt(mean(epsilon.hat^2))  # RMSE

lm函数的格式：myfit<-lm(formula,data)其中，formula指要拟合的模型形式，data是一个数据框，包含了用于拟合模型的数据。lm里面是（y~x）

输出结果：

Call:
lm(formula = diff.share ~ d.comp, data = face)

Coefficients:
(Intercept)       d.comp  
    -0.3122       0.6604  

cofficients第一个是截距第二个是斜率。上面的就是diff.share = 0.6604d.comp-0.3122

coef(fit)就是查看以上的两个系数，输出结果：

> coef(fit)
(Intercept)      d.comp 
 -0.3122259   0.6603815 

fitted（）是回归拟合的预测值

fitted（拟合）是在给定样本上做预测，而predict（预测）是在新的样本上做预测

> head(fitted(fit))
          1           2           3           4           5           6 
 0.06060411 -0.08643340  0.09217061  0.04539236  0.13698690 -0.10057206 

输出前6条拟合数据。用的就是上述的截距和斜率，比如第一条：d.comp=0.564567612,斜率取0.6603815，截距取-0.3122259，计算结果就是0.06060411。第二条到第六条也是这么算的。

plot(face$d.comp, face$diff.share, xlim = c(0, 1.05), ylim = c(-1,1),
     xlab = "Competence scores for Democrats",
     ylab = "Democratic margin in vote share",
     main = "Facial competence and vote share")

画出来如下图：

 abline()函数：增加一条线：abline 函数的作用是在一张图表上添加直线, 可以是一条斜线，通过x或y轴的交点和斜率来确定位置；也可以是一条水平或者垂直的线，只需要指定与x轴或y轴交点的位置就可以了。v=多少就是x轴等于多少（相当于加一条平行于y轴的直线），h=多少就是y等于多少（相当于加一条平行于x轴的直线）

abline(fit) # add regression line
abline(v = 0, lty = "dashed")

abline(fit)就是加上述那个一次函数那条线（线性模型），加完上面两条线之后如图：

 residuals：残差在数理统计中是指实际观察值与估计值（拟合值）之间的差。“残差”蕴含了有关模型基本假设的重要信息。如果回归模型正确的话， 我们可以将残差看作误差的观测值。

为了明确解释变量和随机误差各产生的效应是多少，统计学上把数据点与它在回归直线上相应位置的差异称为残差，把每个残差平方之后加起来 称为残差平方和，它表示随机误差的效应。一组数据的残差平方和越小,其拟合程度越好。如下为计算残差和：

epsilon.hat <- resid(fit)  # residuals残差
sqrt(mean(epsilon.hat^2))  # RMSE

sqrt计算平方根，mean计算平均值，里面是残差的平方的和。如下图：

> epsilon.hat <- resid(fit)  # residuals残差
> sqrt(mean(epsilon.hat^2))  # RMSE
[1] 0.2642361

———————————————————————————————————————————

## proportion of female politicians in reserved GP vs. unreserved GP
mean(women$female[women$reserved == 1])#reserved=1中女性的比例
mean(women$female[women$reserved == 0])#reserved=0中女性的比例

给所有reserved=1的female算平均值，由于female只有0或者1，所以算出来的就是reserved=1中female=1的占比。

mean(women$water[women$reserved == 1]) -
  mean(women$water[women$reserved == 0])

reserved=1的water的平均值减去reserved=0的waterd的平均值 

> sum(women$water[women$reserved == 1])
[1] 2591
> sum(women$reserved == 1)
[1] 108

reserved=1的water求和是2591，reserved=1的一共108条，除完了就是平均值。