回归预测及R语言实现 Part2 回归R语言实现

最新推荐文章于 2024-08-13 11:25:56 发布

EchoCaiCai

最新推荐文章于 2024-08-13 11:25:56 发布

阅读量8.1k

点赞数 3

分类专栏： R语言相关

本文链接：https://blog.csdn.net/cl1143015961/article/details/46009821

版权

这篇博客介绍了如何使用R语言进行回归分析，包括简单线性回归、多项式回归和多元线性回归。通过实例展示了lm()函数的使用，解释了如何解读回归结果，如系数、方差解释率和残差分析，并探讨了正态性、独立性、线性和同方差性的统计假设。此外，还提到了如何通过scatterplot()函数进行二元关系图绘制以及使用effects包分析交互项影响。

摘要由CSDN通过智能技术生成

下面是回归分析的各种变体的简单介绍，解释变量和相应变量就是指自变量和因变量。

常用普通最小二乘（OLS）回归法来拟合实现简单线性、多项式和多元线性等回归模型。最小二乘法的基本原理前面已经说明了，使得预测值和观察值之差最小。

R中实现拟合线性模型最基本的函数是lm()，应用格式为：

myfit <- lm(Y~X1+X2+…+Xk,data)

data为观测数据，应该为一个data.frame，前面是拟合表达式，Y是因变量，X1-Xk是自变量，+用来分隔不同的自变量的，还有可能用到的其他符号的说明如下：

另外，对lm()方法的返回结果，还有一系列的分析方法，如下：

简单线性回归

基础安装数据women中提供了15个年龄在30-39岁之前的女性的身高和体重信息，这里用身高来预测体重，来尝试lm()方法

par(ask = TRUE)
opar <- par(no.readonly = TRUE)
 
fit <- lm(weight ~ height, data = women)
summary(fit)
women$weight
fitted(fit)
residuals(fit)
 
plot(women$height, women$weight, main = "30-39的女性",xlab = "身高(英尺)", ylab = "体重(镑)")#观测数据散点图
abline(fit)#拟合线