【数理统计实验（五）】回归分析

🍉CSDN小墨&晓末:https://blog.csdn.net/jd1813346972

   个人介绍: 研一｜统计学｜干货分享
         擅长Python、Matlab、R等主流编程软件
         累计十余项国家级比赛奖项，参与研究经费10w、40w级横向

该篇文章以实际例子形式，利用R语言完成一元线性回归分析相关代码及结果分析，其中包括变量间散点图；回归分析；残差分析。

1 题目背景

  在动物学研究中，有时需要找出某种动物的体积与重量的关系.因为动物的重要相对而言容易测量，而测量体积比较困难，因此，人们希望用动物的重要预测其体积.下面是18只某种动物的体积与重量数据，在这里，动物重量被看作自变量，用x表示，单位为kg，动物体积则作为因变量，用y表示，单位为dm3，18组数据列于表中.

  18只某种动物的重量x与体积y数据：

  在显著性水平α=0.05下对其进行方差分析，可以得到什么结果？

2. 原始序列散点图

  首先，建立数据集, 并画出散点图: 考查数据点的分布趋势, 看是否呈直线条状分布。

  运行程序：

a<-c(10.4,10.5,11.9,12.1,13.8,15,15.1,15.1,15.1,15.7,15.8,16,16.5,16.7,17.1,17.1,17.8,18.4)
b<-c(10.2,10.4,11.6,11.9,13.5,14.5,14.8,15.1,14.5,15.7,15.2,15.8,15.9,16.6,16.7,16.7,17.6,18.3)
A<-data.frame(a,b)
plot(A$a,A$b)#画图，考察数据点的分布趋势，看数据是否在一条直线上

  运行结果：

  通过上图可以看出，动物的体重与体积大致在一条直线上，即可以认为重量a与体积b呈线性关系。

3 回归分析

  进行回归分析，并在散点图上显示回归直线。

  运行程序：

lm.reg<-lm(b~a)   #使用线性回归模型y=β0+β1x
summary(lm.reg)   #提取模型计算结果
abline(lm.reg)   #添加回归直线，进行回归分析，运行结果如图2

  运行结果：

  根据返回结果，回归系数的估计与检验: 回归系数的估计为$\widehat{{\beta }_0}=-0.1040$，$\widehat{{\beta }_1}=0.9881$，相应的标准差$Var(\widehat{{\beta }_0})=0.2120$，$Var(\widehat{{\beta }_1})=0.0205$。它们的p值不大，故均是显著的。

  根据相关分析，相关系数$R^2=0.9931$，表明数据中99%可由回归方程来表述。

  根据方程的检验: F分布的p值为$2e^{-16}$, 因此方程是非常显著的, 这与$R^2$的结果一致，所以，回归系数和回归方程都通过了检验，所以Y对X的一元回归方程为：

$$y=-0.1040+0.9881x$$

4 残差分析

  图形诊断: 用函数residuals( )计算回归方程的残差, 并画出关于残差的散点图。

  运行程序：

res<-residuals(lm.reg)
plot(res)
res

  运行结果：

  从图中可以看出, 每一个样本点的残差之前都无太大的差异，因此可以认为无明显异常点，不需要对该模型进行进一步的优化处理。