应用回归分析（何晓群）CH2、CH3例题、习题

第2章： 一元线性回归

习题2.14

代码：

#习题2.14
## 获取数据（直接编辑）
data214<-data.frame(expd=numeric(0),income=numeric(0))
data214<-edit(data214)

## OLS回归
with(data214,{
  ### with函数将data214添加到搜索路径中
  y<-income
  x<-expd
  
  ### OLS拟合
  myfit<-lm(y~x,data214)
  ### summary展示详细结果
  summary(myfit)
  ### 参数置信区间，默认置信度95%
  confint(myfit,lever=0.95)
  ### 方差分析表
  anova(myfit)
  ### 参数t检验
  cor.test(x,y,method = "pearson")
  
  ### 残差和残差图绘制
  resi<-residuals(myfit)
  opar<-par(no.readonly = TRUE)
  par(mfrow=c(1,2))
  plot(expd,income,cex=1.5,
       xlab="广告费用",ylab = "销售收入",
       main="广告费用和销售收入散点图")
  plot(resi,cex=1.5,
       xlab = "x",ylab = "ei",main = "残差图")
  
  ### predict(fit,x,interval="prediction",level=0.95)
  ### 参数fit是之前建立的线形模型
  ### point是要预测的点
  ### 参数interval=”prediction”表示要求给出预测的区间(上下界)
  ### level则是该区间的预测水平
  ex<-data.frame(x=4.2)
  predict(myfit,ex,interval="prediction",level=0.95)
})

（1）

（2）大致呈线性关系
（3）
回归方程：yhat = 7x - 1

（4）标准误差Residual standard error:6.055
（5）
beta0_hat的95%的置信区间：(-21.2112485, 19.21125)
beta1_hat的95%的置信区间：(0.9060793, 13.09392)

（6）Multiple R-squared=0.8167
（7）方差分析表：

（8）根据summary表可得，t值=3.656，p值<0.05，拒绝原假设。没有证据说明beta1是显著为0的，就可以说x对y的线性影响是显著的。
（9）
p值<0.05，拒绝原假设，没有证据说明x与y之间相关关系不显著。

（10）残差图在第（1）问
样本量太少 ,不能判断sigma是否满足回归方程基本假设&