回归分析week1

独立同分布independent and identically distributed (i.i.d.)

1.1回归分析导论

在做实验的时候呢，因为女人比男人一般而言要short，于是呢修正了，即把女人的身高*1.08

老师首先要谈的是marginal，即上面的两张图

那个符号叫mu

那么manipuate:即创建一个动态的图

图呢是一个带有图标的动态图

这种不从线性代数的角度来直接推论，倒还真是。。。确实不同于线性回归的一般公式

好像在统计学中并非是Yi-u,而是Y实际-Y预测

也就是此处的u是为重心，而得出结论为可用Y的均值替代的意思

myPlot <- function(beta){
  y <- galton$child - mean(galton$child)
  x <- galton$parent - mean(galton$parent)
  freqData <- as.data.frame(table(x, y))
  names(freqData) <- c("child", "parent", "freq")
  plot(
    as.numeric(as.vector(freqData$parent)), 
    as.numeric(as.vector(freqData$child)),
    pch = 21, col = "black", bg = "lightblue",
    cex = .15 * freqData$freq, 
    xlab = "parent", 
    ylab = "child"
    )
  abline(0, beta, lwd = 3)
  points(0, 0, cex = 2, pch = 19)
  mse <- mean( (y - beta * x)^2 )
  title(paste("beta = ", beta, "mse = ", round(mse, 3)))
}
manipulate(myPlot(beta), beta = slider(0.6, 1.2, step = 0.02))

最终出现汽泡图也是因为这一步，真是开眼了哈

 cex = .15 * freqData$freq

然后解决办法也是这样的

lm(I(child - mean(child))~ I(parent - mean(parent)) - 1, data = galton)
此处-1表示不要截距，

Call:
lm(formula = I(child - mean(child)) ~ I(parent - mean(parent)) - 
    1, data = galton)
Coefficients:
I(parent - mean(parent))  
                  0.6463  

1.2一些小点

empirical mean经验均值

此处看来可以跟上节的联系于一起了呀，因为Xi-X的均值，它们之和是为0的，所以开始求平方和了

1.3线性最小二乘法

recap what we know 即回顾我们所学

1.4 回归于均值

反正就是人生在世，一靠能力，二靠运气。两者都重要