R语言学习笔记之lm函数

在使用lm函数做一元线性回归时,发现lm(y~x+1)和lm(y~x)的结果是一致的,一直没找到两者之间的区别,经过大神们的讨论和测试,才发现其中的差别,测试如下:

-------------------------------------------------------------

-------------------------------------------------------------

结果可以发现,两者的结果是一样的,并无区别,但是若改为lm(y~x-1)就能看出+1和-1的差别在哪了,测试结果如下:

说明:coefficients()函数是输出模型的参数估计值,

Intercept是指的截距,x对应的便是系数,对于一元线性回归方程y=ax+b来说,2.251599便是b的值,1.980810便是a的值。

此时再看lm(y~x)、lm(y~x+1)、lm(y~-1)三者的区别便可发现:

+1表示有截距项与-1相对应,

-1指没有截距项,

而x表示默认有截距项。

更多的细节还需要在学习中慢慢摸索。

  • 36
    点赞
  • 138
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 4
    评论
在R语言中,lm函数是用于进行线性回归分析的函数。它的一般形式是lm(y~x1+x2+x3),其中y是被解释变量,x1、x2、x3是解释变量。lm函数的输入数据类型必须是数据框形式,可以使用as.data.frame()函数将数据转换为数据框形式。 在一元线性回归分析中,lm(y~x)和lm(y~x1)的结果是一致的,没有区别。 另外,还有一个R包叫做"betas",它提供了计算标准化回归系数的函数。使用该包,可以使用betas.lm()函数来计算线性模型的标准化回归系数。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [R语言数据分析:lm()函数和统计函数](https://blog.csdn.net/weixin_48293076/article/details/127125358)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] - *2* [R语言学习笔记lm函数](https://blog.csdn.net/u014543416/article/details/79202437)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] - *3* [betas:这是一个 R 包,提供计算标准化回归系数的函数 - 称为 beta - 用于不同类型的线性模型](https://download.csdn.net/download/weixin_42116585/19718825)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

旋转小马

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值