市场研究中的数据分析知识整理（二）-线性模型

最新推荐文章于 2021-01-15 23:17:09 发布

pauke

最新推荐文章于 2021-01-15 23:17:09 发布

阅读量871

点赞数 1

分类专栏： anders 文章标签：数据分析市场 r语言

本文链接：https://blog.csdn.net/u014531714/article/details/75939626

版权

本文详细探讨了市场研究中线性模型的应用，包括建模探索、模型建立和流程总结。通过gpairs和scatterplotMatrix进行数据探索，利用lm1模型分析残差，解释系数与R方，展示模型的解释能力和拟合程度。总结了线性模型建立的步骤，强调了数据预处理、共线性问题解决和模型评估的重要性。

摘要由CSDN通过智能技术生成

3 线性模型

3.1 建模探索：gpairs, scatterplotMatrix

gpairs和scatterplotMatrix在数据探索方面各有长短，gpair能够很好地应对因子变量，scatterplotMatrix 则有一个不错的出图效果。


#本部分引入该数据作为案例,该案例是一个游乐园的满意度调查的相关数据
amu <- read.csv("http://goo.gl/HKnl74")
str(amu)
#scatterplotMatrix
#scatterplotMatrix的图看上去更好一些
library(car)
scatterplotMatrix(amu[-1])

library(gpairs)
#gpair
#gpairs可以应对因子变量，恰好案例数据集有不少因子变量
amu <- as.data.frame(amu)
gpairs(amu)

#corrplot.mixed主要用于相关矩阵的可视化
library(corrplot)
corrplot.mixed(cor(amu[-1]), upper="ellipse")

scatterplotMatrix结果：

这里写图片描述

gpairs 结果：

这里写图片描述

corrplot.mixed结果：

这里写图片描述

3.2 模型建立

#lm对象

lm1 <- lm(overall ~ rides + games + wait + clean, data = amu)

summary(lm1)
confint(lm1) #置信区间

Call:
lm(formula = overall ~ rides + games + wait + clean, data = amu)

Residuals:
    Min      1Q  Median      3Q     Max 
-29.944  -6.841   1.072   7.167  28.618 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)    
(Intercept) -131.40919    8.33377 -15.768  < 2e-16 ***
rides          0.52908    0.14207   3.724 0.000219 ***
games          0.15334    0.06908   2.220 0.026903 *  
wait           0.55333    0.04781  11.573  < 2e-16 ***
clean          0.98421    0.15987   6.156 1.54e-09 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 10.59 on 495 d