R语言回归分析

分享一些简单快速上手的回归分析中的一些相关内容，内容来自《R语言实战》。

线性模型:拟合线性模型最基本的函数就是lm( ),格式为

         myfit <- lm(formula,data)

         其中，formula指要拟合的模型形式

         例如：fit  <- lm(weight ~ height,data = women)

               summary(fit)

               fitted(fit)  ##列出拟合模型的预测值

               plot( )  ##生成评价拟合模型的诊断图（用身高预测体重的散点图以及回归线）

         此外还有多项式回归和多元线性回归

广义线性模型：建立：例如glm(Y~X1+X2+X3,family = binomial(link = “logit”),data = mydata)

                         模型拟合和回归诊断：可用线性回归的方法

                         logistic回归：ARE包中的例子

                         Affairs$affairs[Affairs$affairs > 0] <- 1

                         Affairs$affairs[Affairs$affairs > 0] <- 0

回归方程----诊断：就是看模型是否合适，模型在多大程度上满足统计假设的任何信息

                             car包中提供好了大量的函数，大大增强了拟合和评价回归模型的能力。另外，                                gvlma包提供了对所有线性模型假设进行检验的方法。

                           正态性：qqplot()函数提供了更为精确的正态假设检验方法

                           误差的独立性：car包中的Durbin-Watson检验函数

                                                    durbinWatsonTest( )

                           线性：liabrary(car)

                                      crPlots( )

                           同方差性：car包提供了两个有用的函数，可以判断误差是否恒定

                                             library(car)

                                             ncvTest( )

                                             spreadLevelPlot( )

                    比较：用基础安装中的anova()函数可以比较两个嵌套模型的拟合优度

                    anova(fit1,fit2)

                    此处，模型1嵌套在模型2中（1:A和B，2:A和B和C和D）

                   anova( )函数同时还对是否应该添加C和D到线性模型中进行了检验。由于检验不显著                   （p=0.994），结论：不需要添加到模型中

      AIC也可以用来比较模型

      AIC(fit1,fit2)

      ##ANOVA需要嵌套模型，AIC方法不需要

 变量筛选：逐步回归：模型会一次添加或者删除一个变量，知道达到某个判停标准为止

             全子集回归：所有可能的模型都会被检验