R语言的线性回归模型

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)