以调整复决定系数和AIC为模型选择标准,建立前进法、后退法、逐步回归法的r语言代码

最新推荐文章于 2024-07-03 16:50:47 发布
最新推荐文章于 2024-07-03 16:50:47 发布
阅读量1.2w 收藏 21
点赞数 2
文章标签： 调正副决定系数 r语言 AIC 前进法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/li603060971/article/details/49508235
版权
该博客通过R语言展示了如何运用前进法、后退法和逐步回归法来建立最佳模型。博主首先用调整后的决定系数作为标准进行前进法，接着使用AIC准则自动选择模型。同样地，对于后退法和逐步回归法，博主也依据AIC原则进行了模型选择。具体代码和数据集为回归分析提供了实例。
摘要由CSDN通过智能技术生成
setwd("C:/Users/IBM/Desktop/研一课程/2.2回归分析/回归作业")  #设定当前的工作目录
shuju=read.table("shuju.txt",header=T)
shuju   #读取数据

#前进法
#采用最优子集函数进行前进法,以调整复决定系数为标准
shuju.regforward <- regsubsets(y~x1+x2+x3+x4+x5+x6+x7,data=shuju[,-1],nvmax=7,method="forward")
shuju.regfs <- summary(shuju.regforward)
shuju.regfs
shuju.regfs$adjr2
coef(shuju.regforward,3)
#采用AIC原则自动选择模型-前进法
shuju.reg <- lm(y~.,data=shuju[,-1])
shuju.regforward2 <- step(shuju.reg,direction="forward")#按照AIC原则自动选择模型
summary(shuju.regforward2)
shuju.reg <- lm(y~x1
最低0.47元/天 解锁文章
TJ统计
关注
  • 2
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
94页25题_舍选法1_r语言舍选法_舍选法_R语言舍选法_R语言_
09-28
R语言中的`step()`函数（来自`stats`包）可以用来进行后退消除，用户可以通过设定控制参数来决定剔除的标准，例如基于显著性水平或模型的R²值。 在实现舍选法的过程中，我们需要理解几个关键概念：相关性、变量...
安装AIC准则使用前进法后退法和逐步回归法进行变量选择的r语言代码
li603060971的博客
10-30 1万+
setwd("C:/Users/IBM/Desktop/研一课程/2.2回归分析/回归作业")  #设定当前的工作目录 shuju=read.table("shuju.txt",header=T) shuju   #读取数据 #采用AIC原则自动选择模型-前进法 shuju.reg1 shuju.regforward2 summary(shuju.regforward2) #采用A
R语言笔记完整版
acoikw2620的博客
03-14 4385
【R笔记】R语言函数总结 R语言与数据挖掘：公式；数据；方法 R语言特征 对大小写敏感 通常，数字，字母，. 和 _都是允许的(在一些国家还包括重音字母)。不过，一个命名必须以 . 或者字母开头，并且如果以 . 开头，第二个字符不允许是数字。 基本命令要么是表达式（expressions）要么就是 赋值（assignments）。 命令可以被 (;)隔开，或...
R构建逐步回归模型（Stepwise Regression）
最新发布
statistics+insight+vista+power
07-03 50
R构建逐步回归模型（Stepwise Regression）
FPGA 1: 文件操作函数详解
u011942916的专栏
06-15 263
verilog文件操作
R语言logistic回归的细节解读
医学和生信笔记的博客
11-02 1万+
完美观看体验请至公众号查看本文。，专注R语言在临床医学中的使用，R语言数据分析和可视化。
逐步回归法matlab代码-mst:Matlab/Octave的模型选择工具箱
05-21
epsilon类型的稀疏线性模型，其中beta是要估计的回归向量，并且假定为稀疏（对应于解释变量的非零系数）。 在此设置中，我们使用二次损失||。 beta_chap-beta || ^ 2作为比较不同模型的基准。 “ ex_ModSel.m”是应...
第五章 自变量选择与逐步回归 部分习题代码.docx
05-22
4. `summary(lm5.9.for)`: 输出逐步回归后的模型摘要，包括系数、R方、调整R方、残差标准误差等统计量，以及每个自变量的显著性水平。 5. 接下来的几行代码重复了同样的过程，但方向设置为"both"，这意味着它会同时...
逐步回归分析法
06-06
2. **选择标准**：通常使用的是统计量，如F统计量、R²变化、调整R²、AIC（赤池信息准则）或BIC（贝叶斯信息准则）等。这些指标可以帮助我们决定哪些自变量应该被纳入或剔除。 3. **注意事项**：逐步回归可能会...
R语言最新实现ARFIMA模型代码及参考文件
11-24
R语言是数据分析和统计建模的流行选择，它拥有丰富的库和函数支持各种复杂的统计模型，包括ARFIMA模型。 ARFIMA模型是ARIMA（自回归整合移动平均模型）的扩展，引入了分数差分的概念，能够捕捉数据中的长期依赖性。...
逐步回归（R语言）
热门推荐
Aries_young的博客
01-22 5万+
R软件提供了非常方便地进行逐步回归分析的计算函数step(),它是以AIC 1.前进法 代码实现如下： data3.1&amp;amp;lt;-read.csv(&amp;quot;C:/Users/Administrator/Desktop/data3.1.csv&amp;quot;,head=TRUE) lmo3.1&amp;amp;lt;-lm(y~1,data=data3.1) lm3.1.for&amp;amp;lt;-step(lmo3.1,sc
用R中的包实现逐步回归
gaomeihong1993的博客
06-29 6710
逐步回归逐步回归三种策略计算逐步回归MASS包的stepAIC()方法leaps包的regsubsets()方法caret包的train()方法 逐步回归三种策略 1.前向选择从模型中没有预测变量开始，迭代地添加最多的贡献预测变量，并在改进不再具有统计显着性时停止。 2.向后选择（或向​​后消除），从模型中的所有预测变量（完整模型）开始，迭代地移除最少的贡献预测变量，并在您拥有所有预测变量具有统计显着性的模型时停止。 3.逐步选择（或顺序替换），这是前向和后向选择的组合。从没有预测变量开始，然后依次添加最有
R语言之自变量选择与逐步回归xt5.9
princessyang的博客
11-09 5526
第5章 自变量选择与逐步回归 5.9 在研究国家财政收入时，我们把财政收入按收入形式分为：各项税收收入、企业收入、债务收入、国家能源交通重点建设收入、基本建设贷款归还收入、国家预算调节基金收入、其他收入等。为了建立国家财政收入回归模型，我们以财政收入y（亿元）为因变量，自变量如下：x1为农业增加值（亿元），x2为工业增加值（亿元），x3为建筑业增加值（亿元），x4为人口数（万人），x5为社会消费总额（亿元），x6为受灾面积（万公顷）。据《中国统计年鉴》获得1978—1998年共21个年份的统计数据，见表5.
R笔记：全子集回归 | 最优子集筛选变量挑选
生信小博士的博客
10-18 7646
有些教程把最优子集定义为从含相同自变量的个数的所有模型中挑选出最佳的模型组合，比如ABCD四个自变量，可以有2^4=16个模型，其中常数项模型1个，含1个自变量的模型4个（A、B、C、D），含2个自变量的模型6个（AB、AC、AD、BC、BD、CD），含3个自变量的模型4个（ABC、ABD、ACD、BCD），含4个自变量的模型1个（ABCD），分别从含有1、2、3、4个自变量的模型中挑选出最佳的一个模型就可以组成最优子集。在进行模型比较时，R^2、校正的R^2越大，Cp值越小模型越佳。
R数据分析：逐步回归的做法和原理，案例剖析
Codewar的博客
02-16 5003
做回归的时候经常头痛的一个问题就是变量的选择，好多人一放一大堆变量但是结果做出来都没意义，这个时候你可以试试让算法给你选择最优的自变量组合哟。 那么今天要写的就是回归时筛选变量的逐步法： The stepwise regression (or stepwise selection) consists of iteratively adding and removing predictors, in the predictive model, in order to find the subset of
R语言 线性模型 逐步回归
Mrrunsen的博客
12-12 3325
从大量候选变量中选择最终的预测变量有以下两种流行的方法：逐步回归法（stepwise method）和全子集回归（all-subsets regression）。 1. 逐步回归 逐步回归中，模型会一次添加或者删除一个变量，直到达到某个判停准则为止。例如，向前 逐步回归（forward stepwise regression）每次添加一个预测变量到模型中，直到添加变量不会使 模型有所改进为止。 向后逐步回归（backward stepwise regression）从模型包含所有预测变量开始，
使用R语言进行回归分析
Gavin Chen的专栏
04-06 2万+
1、线性回归的基本函数lm&lt;-lm(formula,data=data.frame) #其中formula为回归公式，data为数据源数据框 #例如： lm&lt;-lm(y~x1+x2,production)2、与线性模型相关的函数print() 原本为打印函数，当参数为线性模型对象时，会打印出模型中的系数以及截距值。 基于线性模型操作的对象有很多，比如：predict、summary、...
通过进退法确定搜索区间
weixin_52499446的博客
04-27 2972
定义 :设α\alphaα 是φ(α)\varphi(\alpha)φ(α) 的极小点，若存在闭区间[a,b][a,b][a,b],使得α∈[a,b],\alpha \in[a,b],α∈[a,b],则称[a,b][a,b][a,b]是 φ(α)\varphi(\alpha)φ(α)的搜索区间. 确定搜索区间的一种简单的方法是进退法，其基本思路是从某一个点出发，按一定的步长，确定函数值呈 “高–低–高”的三点，如果一个方向不成功，就退回来，再沿相反的方向寻找，具体的算法如下： (1) 给定初始点 α0\al
【python、R如何实现逐步回归（前向、后向、双向）】
Silenceyezi的博客
03-29 9753
1. python 实现代码 #################################### 逐步回归 def stepwise_select(data,label,cols_all,method='forward'): ''' args: data：数据源，df label：标签，str cols_all：逐步回归的全部字段 methrod：方法，forward:向前，backward:向后，both:双向
变量选择的的前进法后退法逐步回归法介绍
12-10
变量选择是指在建立回归模型时，从所有可能的自变量中选择出对因变量有显著影响的自变量，以建立一个较为简单且具有解释性的回归模型。常用的变量选择方法有前进法、后退法和逐步回归法。 前进法是从一个空模型开始，每次向模型中加入一个自变量，直到不能再加入为止。具体步骤如下： 1. 从所有自变量中选择一个与因变量最相关的自变量，建立一个只包含该自变量的模型。 2. 从剩余的自变量中选择一个与因变量相关性最大的自变量，将其加入到模型中。 3. 重复第二步，直到不能再加入自变量为止。 后退法与前进法相反，是从包含所有自变量的模型开始，每次剔除一个自变量，直到不能再剔除为止。具体步骤如下： 1. 从所有自变量中开始建立一个包含所有自变量的模型。 2. 计算在剔除任意一个自变量后回归方程所对应的AIC统计量的值，选出最小的AIC值所对应的需要剔除的变量。 3. 剔除该变量，重新建立回归模型，重复第二步，直到不能再剔除自变量为止。 逐步回归法是前进法和后退法的结合，它既可以向模型中加入自变量，也可以从模型中剔除自变量。具体步骤如下： 1. 从所有自变量中开始建立一个空模型。 2. 每次向模型中加入一个自变量或剔除一个自变量，使得模型的AIC值最小。 3. 重复第二步，直到不能再加入或剔除自变量为止。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

TJ统计

关注公众号：Java后端技术栈

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值