R语言 最小二乘法OLS的运用

回归有多种形式。下面主要介绍普通最小二乘（OLS）回归法，包括简单线性回归、多项式回归、多元线性回归以及交互性回归。

最小二乘法OLS的主要运算符

条件：减小因变量的真实值与预测值的差值来获取模型参数，即残差平方和最小。

为了能够恰当地解释OLS模型的系数，数据必须满足以下统计假设：
（1）正态性。对于固定的自变量值，因变量值成正态分布
（2）独立性。Yi值之间相互独立。
（3）线性。因变量与自变量之间为线性相关。
（4）同方差性。因变量的方差不随自变量的水平不同而变化。

在R中，拟合回归模型最基本的函数是lm()，格式为：

lm(formula, data)

formula中的符号注释：

符号	意义
~ 分割符	左边为因变量，右边为自变量，例如， z~x+y，表示通过x和y来预测z
+	表示分割预测变量
:	表示预测变量的交互项，例如，z~x+y+x:y
*	表示所有可能的交互项，例如，z~x*y 展开为 z~x+y+x:y；代码y~ x * z * w可展开为y ~ x + z + w + x:z + x:w + z:w +x:z:w
^	表示交互项的次数，例如，z ~ (x+y)^2，展开为z~x+y+x:y;代码y ~ (x + z + w)^2可展开为y ~ x + z + w + x:z + x:w + z:w
.	表示包含除因变量之外的所有变量，例如，如果只有三个变量x，y和z，那么代码 z~.,展开为z~x+y+x:y
-	表示从等式中移除某个变量。例如，y ~ (x + z + w)^2 – x:w可展开为y ~ x + z + w +x