1. 简单线性回归 (Simple Linear Regression)
这是最基本的线性回归模型,涉及到一个响应变量和一个解释变量。在R中,你可以使用lm()函数来拟合这样的模型。
R code
model <- lm(response ~ predictor, data = your_data)
2. 多元线性回归 (Multiple Linear Regression)
当你有多个解释变量时,你可以使用多元线性回归模型。
R code
model <- lm(response ~ predictor1 + predictor2 + predictor3, data = your_data)
3. 多项式回归 (Polynomial Regression)
当解释变量和响应变量之间的关系不是线性的时候,可以使用多项式回归。
R code
model <- lm(response ~ poly(predictor, degree = 2), data = your_data)
4. 带有虚拟变量的线性回归
当解释变量中包含分类变量时,R会自动为这些变量创建虚拟变量(或称为哑变量)。在模型公式中,可以直接包含因子类型的变量。
R code
model <- lm(response ~ factor_variable + other_predictor, data = your_data)
5. 稳健线性回归 (Robust Linear Regression)
稳健回归,如加权最小二乘法,可以用来处理异方差性的情况。
R code
# 使用rlm()函数来自robustbase包
library(robustbase)
model <- rlm(response ~ predictor, data = your_data)
6. 岭回归 (Ridge Regression) 和套索回归 (Lasso Regression)
当回归模型中存在多重共线性时,可以使用正则化方法来改进模型。
R code
# 使用glmnet包进行岭回归或套索回归
library(glmnet)
x <- model.matrix(response ~ ., data = your_data)[,-1]
y <- your_data$response
model_ridge <- glmnet(x, y, alpha = 0) # 岭回归
model_lasso <- glmnet(x, y, alpha = 1) # 套索回归
7. 广义线性模型 (Generalized Linear Models, GLM)
广义线性模型是线性模型的扩展,允许响应变量服从非正态分布,以及通过链接函数来变换响应变量和线性预测变量之间的关系。
R code
# 使用glm()函数
model <- glm(response ~ predictor, data = your_data, family = binomial) # 例如,逻辑回归
8. 混合效应模型 (Mixed Effects Models)
混合效应模型能够同时考虑固定效应和随机效应,在处理嵌套数据结构或群体内变异时非常有用。
R code
# 使用lme4包来拟合混合效应模型
library(lme4)
model <- lmer(response ~ predictor + (1 | grouping_variable), data = your_data)