R语言与回归分析网站流量案例

数据集概述

• 使用互联网排名前1000的网站的数据
• Rank：排名
• PagaViews：网站访问量
• UniqueVisitors：独立访问用户数
• HasAdvertising：是否有广告
• InEnglish：主要使用的语言是否为英语

分析过程

1. 安装ggplot2绘图包，并加载

2. 加载数据集文件top_1000_sites.tsv

在加载本地数据文件的时候，注意需要对文件的路径中的 \ 符号进行转义 \\ 。否则会出现问题。

3. 使用绘制ppplot2函数绘制散点图

初步绘制PageViews和UniqueVisitors变量的散点图：

可以发现数据分布的很不均匀，集中在坐下角坐标原点附近。数据间差异太大时，可以考虑对数据进行log变换。

绘制log变换后的log(PageViews)和log(UniqueVisitors)变量的散点图

可以看到经过对数变换后，问题得到了改善

绘制根据InEnglish分类变量，对数据集进行分类显示

使用ggplot绘图函数，在绘制根据InEnglish分类变量对数据进行分类的同时，绘制线性模型统计层的回归模型的图像。

4. 初步创建回归模型

创建log(PageViews)和log(UniqueVisitors)变量的回归模型

创建 log(PageViews)与HasAdvertising+log(UniqueVisitors)+InEnglish的回归模型

 5. 尝试优化log(PageViews)与HasAdvertising+log(UniqueVisitors)+InEnglish的回归模型

使用逐步回归方法，尝试优化该模型：

根据step()得到结果，可以发现：无论去掉当前回归模型中的哪一个变量，AIC值都是增大的。因此，step的结果与原来的回归模型相同。

再次使用drop1()方法，尝试优化该模型

得到的结果与step函数得到的结果相同。

6. 尝试处理分类变量HasAdvertising和InEnglish

由于在原始数据文件中，HasAdvertising和InEnglish分类变量的值为“Yes”和“No”，因此打算对此进行处理。首先将这两个变量的Yes和No分别映射为1和0的数值。然后，根据“虚拟变量”的处理方法，使用“加法模型”，创建HasAdvertisingYes、HasAdvertisingNo与InEnglishYes和InEnglishNo四个变量。并根据原HasAdvertising和InEnglish变量的数值进行赋值操作。如下：

注意：在第一次使用elseif函数的时候，由于我自己自定义了一个elseif函数，因此在后面使用系统中的elseif函数的时候，会出现错误。因此，需要使用rm()函数，对自定义的elseif函数进行删除，之后使用系统中elseif函数的时候，就可以正常使用。这就是黄色高亮代码的注释。

尝试重新建立线性回归模型：

由上图可见，在手动引入~Yes和~No两个“哑变量”的时候，该回归模型，并没有因此而优化，反而没有系统自动创建的~Yes和~No变量的模型的拟合效果好。为什么？