R语言做回归分析

回归分析（英语：Regression Analysis）是一种统计学上分析数据的方法，目的在于了解两个或多个变数间是否相关、相关方向与强度，并建立数学模型以便观察特定变数来预测研究者感兴趣的变数。更具体的来说，回归分析可以帮助人们了解在只有一个自变量变化时因变量的变化量。一般来说，通过回归分析我们可以由给出的自变量估计因变量的条件期望。

回归的最早形式是最小二乘法，勒让德和高斯都将该方法应用于从天文观测中确定关于太阳的物体的轨道（主要是彗星，但后来是新发现的小行星）的问题。 高斯在1821年发表了最小二乘理论的进一步发展，包括高斯－马尔可夫定理的一个版本。

法兰西斯·高尔顿最早使用“回归”一词。他曾对亲子间的身高做研究，发现父母的身高虽然会遗传给子女，但子女的身高却有逐渐“回归到中等（即人的平均值）”的现象。不过当时的回归和现在的回归在意义上已不尽相同。

回归分类：

• 简单线性回归
• 复回归（或多变量回归）
• 对数线性回归
• 非线性回归
• 逻辑回归
• 偏回归
• 自回归

---

• 回归分析示例一

x=read.table("Anscombe数据.txt",header=T)
par(mfrow=c(2,2))


plot(x$X1,x$Y1,pch=20,xlab="x1",ylab="y1")
model1 <- lm(x$Y1 ~ x$X1, data = x) #回归拟合
summary(model1) #回归分析表
anova(model1) #方差分析表
abline(model1, col = 1, lty = 1) #拟合直线,这里也可以用lines(x$X1,fitted(model1))






plot(x$X2,x$Y2,pch=20,xlab="x2",ylab="y2")
model2 <- lm(x$Y2 ~ x$X2, data = x) #回归拟合
summary(model2) #回归分析表
anova(model2) #方差分析表
abline(model2, col = 2, lty = 2) #拟合直线


plot(x$X3,x$Y3,pch=20,xlab="x3",ylab="y3")
model3 <- lm(x$Y3 ~ x$X3, data = x) #回归拟合
summary(model3) #回归分析表
anova(model3) #方差分析表
abline(model3, col = 3, lty = 3) #拟合直线



plot(x$X4,x$Y4,pch=20,xlab="x4",ylab="y4")
model4 <- lm(x$Y4 ~ x$X4, data = x) #回归拟合
summary(model4) #回归分析表
anova(model4) #方差分析表
abline(model4, col = 4, lty = 4) #拟合直线

• 回归分析示例二

w <- read.table("heights.txt",header=T)
args(read.table)
str("heights.txt")
head(w)
str(w)
x <- w$Mheight
y <- w$Dheight
plot(x,y,pch=20,main="x和y的散点图",col="green")
mean(x)
mean(y)
sd(x)
sd(y)
model=lm(y~x)
lines(x,fitted(model))
cor(w)
hist(x)
cor.test(x,y)#计算相关系数

summary(model)
confint(model)
anova(model)
par(mfrow=c(2,2))
plot(model)
par(mfrow=c(1,1))
plot(w,pch=20)

model=lm(y~x,data=w)
w <- read.table("heights.txt",header=T)
x <- w$Mheight
y <- w$Dheight


v=read.table("x射线杀菌数据.txt",header=T)
x=v$x
y=v$y
plot(x,y)xi
model=lm(y~x,data=v)
model
summary(model)
lines(x,fitted(model))


plot(x,log(y),pch=19)
plot(x,residuals(model))

其中几个txt数据的结构如下：