应用回归分析(何晓群)CH2、CH3例题、习题

该博客详细介绍了回归分析中的线性关系,包括一元线性回归的习题解答,如回归方程、标准误差、置信区间、R-squared值等,并探讨了残差图在检验线性关系中的作用。此外,还涉及多元线性回归,讨论了相关系数矩阵、F检验、t检验和多重共线性问题,以及如何改进回归模型以提高拟合度。
摘要由CSDN通过智能技术生成

第2章: 一元线性回归

习题2.14

在这里插入图片描述
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)
在这里插入图片描述
(2)大致呈线性关系
(3)
回归方程:yhat = 7x - 1
在这里插入图片描述
(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)
在这里插入图片描述

(6)Multiple R-squared=0.8167
(7)方差分析表:
在这里插入图片描述
(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。
在这里插入图片描述
(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&

  • 17
    点赞
  • 154
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值