回归分析-线性回归-检验-模型

OLS：最小二乘法

• 通过预测变量的加权和来预测量化的因变量，其中权重是通过数据估计而得的参数
  数据特征：
   正态性 对于固定的自变量值，因变量值成正态分布。
   独立性 Yi值之间相互独立。
   线性 因变量与自变量之间为线性相关。
   同方差性 因变量的方差不随自变量的水平不同而变化。也可称作不变方差

• 回归模型包含一个因变量和一个自变量时，我们称为简单线性回归

• 当只有一个预测变量，但同时包含变量的幂（比如，X、X 2、X 3）时，我们称之为多项式回归

• 当有不止一个预测变量时，则称为多元线性回归

简单线性回归

fit <- lm(weight ~ height, data = women)
summary(fit)
women$weight
fitted(fit)
residuals(fit)

plot(women$height, women$weight, main = "Women Age 30-39", xlab = "Height (in inches)", ylab = "Weight (in pounds)")
abline(fit)

多项式回归

fit2 <- lm(weight ~ height + I(height^2), data = women)
summary(fit2)

plot(women$height, women$weight, main = "Women Age 30-39", 
    xlab = "Height (in inches)", ylab = "Weight (in lbs)")
lines(women$height, fitted(fit2))

线性模型：$$Y\sim \log (x_1)+\sin (x_2)$$
一般来说，n次多项式生成一个n-1个弯曲的曲线

install.packages("carData")
library(carData)
library(car)
scatterplot(weight ~ height, data = women, spread = FALSE, 
    lty.smooth = 2, pch = 19, main = "Women Age 30-39", xlab = "Height (inches)", 
    ylab = "Weight (lbs.)")

spread=FALSE选项删除了残差正负均方根在平滑曲线上的展开和非对称信息。lty.smooth=2选项设置loess拟合曲线为虚线。pch=19选项设置点为实心圆（默认为空心圆）。

states <- as.data.frame(state.x77[, c("Murder", "Population"