在R中线性回归分析的函数是lm()。
(1)一元线性回归
我们可以根据以上数据来分析合金的强度是否与碳含量有关系。
首用以下命令把数据读取到R中:
x <- c(seq(0.10,0.18,by = 0.01),0.20,0.21,0.23)
y <- c(42.0,43.5,45.0,45.5,45.0,47.5,49.0,53.0,50.0,55.0,55.0,60.0)
plot(x,y)
通过画图得到想x,y两个变量之间存在某种线性关系
所以,就可以用lm()函数来拟合直线,通过回归函数lm()得到如下结果:
lm.sol <- lm(y~1+x) ##lm()函数返回拟合结果的对象,可以用summary()函数查看其内容。
summary(lm.sol)
回归结果:
Call:
lm(formula = y ~ 1 + x)
Residuals:
Min 1Q Median 3Q Max
-2.0431 -0.7056 0.1694 0.6633 2.2653
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 28.493 1.580 18.04 5.88e-09 ***
x 130.835 9.683 13.51 9.50e-08 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 1.319 on 10 degrees of freedom
Multiple R-squared: 0.9481, Adjusted R-squared: 0.9429
F-statistic: 182.6 on 1 and 10 DF, p-value: 9.505e-08
结果分析:
其中,两个回归系数分别是28.493和130.835,结果里面还有t值,以及两个P值,P值越小,回归效果越显著,并且后面星级越高。
倒数第二行R-squared数字越接近于1,回归效果越好。
所以,本例回归分析效果显著,回归直线为:y=28.493+130.835x。
做完回归分析之后还可以进行做预测,也就是说给定一个x值,可以求出Y值的概率为0.95的相应区间。在R中可以用predict()函数实现:
> new <- data.frame(x = 0.16) ##注意,一个值也要写出数据框的形式。
> lm.pred <- predict(lm.sol,new,interval = "prediction",level = 0.95) ##加上interval = "prediction",表示同时给出相应的预测区间。
> lm.pred
fit lwr upr
1 49.42639 46.36621 52.48657