r语言 线性回归 相关系数_R语言系列第四期：R语言简单相关与回归

这一系列里前面的三个部分都是用于比较组间差异的各种方法 。

在这个部分里，我们会为大家介绍如何使用R进行基础回归和相关分析，以及模型作图、置信区间的预估和展示。

A. 简单线性回归

我们使用数据集thuesen作为这一部分的例子，如下导入：

> library(ISwR)

> attach(thuesen)

我们使用函数lm( linear model,线性模型 )进行线性分析：

> lm(short.velocity~blood.glucose)

Call:

lm(formula = short.velocity ~ blood.glucose)

Coefficients:

(Intercept)  blood.glucose 

1.09781        0.02196 

#Tips：函数lm()里面的参数是模型方程，波浪号(~)可以认为是“通过...来描述”。它在之前出现过几次，比如图形展示部分箱式图boxplot(),t检验，anova检验里等等。

#Tips：lm()函数的原始输出格式非常简单。你能看见的只有估计出来的截距α与斜率β。可以看出最优拟合直线为：short.velocity=1.098+0.0220*blood.glucose，但是没有给出其他任何像显著性检验之类的信息。

#Tips：其实，函数lm()可以处理比简单线性回归复杂很多的模型。除了一个解释变量与一个因变量之外，模型方程还能描述很多其他的情况。比如，要在y上通过x1，x2，x3进行多元线性回归分析(后文会介绍)，可以通过y~x1+x2+x3来完成。

如果要获悉模型的其他信息，可以使用summary()：

> summary(lm(short.velocity~blood.glucose))

Call:

lm(formula = short.velocity ~ blood.glucose)

Residuals:

Min       1Q   Median       3Q      Max

-0.40141 -0.14760 -0.02202  0.03001  0.43490

Coefficients:

Estimate Std. Error t value Pr(>|t|)   

(Intercept)    1.09781    0.11748   9.345 6.26e-09 ***

blood.glucose  0.02196    0.01045   2.101   0.0479 * 

---

Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.2167 on 21 degrees of freedom

(1 observation deleted due to missingness)

Multiple R-squared:  0.1737,    Adjusted R-squared:  0.1343