R 回归 虚拟变量na_舒慢慢系列之线性回归R代码3

在科学的道路上没有平坦的大道，只有不畏劳苦沿着陡峭山路攀登的人，才有希望达到光辉的顶点。 —马克思

//我要听首歌// 

//正文// 

昨天的代码：

rm(list=ls())setwd("D:/Rcode/regression/basic")dat"data.csv")hist(data$A)hist(dat $ A，main =“ A的直方图”，xlab =“ A factor”，breaks = 12)list("Summary" = summary(dat$A), "Mean" = mean(dat$A, na.rm=TRUE), "Standard Deviation" = sd(dat$A, na.rm=TRUE), "Range" = range(dat$A,, na.rm=TRUE), "Inter-Quartile Range" = IQR(dat$A,, na.rm=TRUE)) plot(dat$A, dat$B, xlab = "A Factor", ylab = "B Factor")  cor.test(dat$A, dat$B, use="complete.obs",method="pearson/spearman")

这里我要介绍一下线性回归模型的基本公式，请记住每一个参数，非常关键：

Y = α + β1*X + ε## Y =结果(即因变量)变量；## X =预测变量(即独立变量)## α和β是回归的参数，其中α=截距(X = 0时的平均Y)，## β=直线的斜率(X单位增加1时Y的变化)。## ε是Y中的随机变化，即残差

在R中执行上面的公式，我们需要借助lm()函数：

model <- lm(A~B, data = dat)## A是Y,B是X

模型建好，看结果就开个总结会summary()：

summary(model)## 说明一下(Intercept)就是截距α，B不是B，而是slope，就是斜率.

输出就会显示回归方程系数的残差，系数估计，标准误差和p值。

下面这个函数confint()，就是看截距和斜率的95% CI。

confint(model)

附上测试数据下载链接，https://share.weiyun.com/5oexeej

可能你看了觉得这个一元线性回归很简单，但是就是这个简单的公式，有团队就用这个公式发了一篇Global Change Biology (IF=8.88)。

●

●

●

---

本公众微信平台图文信息报道系「辞官」独家制作，并享有版权。未经授权，不得匿名转载。本平台所使用的内容属于相关权利人所有，因客观原因，部分作品如存在不当使用的情况，请相关权利人随时联系以协商授权事宜。