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&