Study note on Applied Econometrics with R(1)

           这是我根据Applied Econometrics with R（springer）一书中线性回归（第三章）有关内容整理成的学习笔记，对书中的一些代码进行了解读，也根据我学到的回归知识添加了部分内容。笔记中的例子凡是书上给出过输出结果的，在这里一律省略，没给出结果的，附上结果及函数解读。这个并不是书内容的翻译，与原书有一定的出入。

Chapter 3:线性模型

需要加载函数包: AER

章节目录

3.1 简单线性模型

3.2 多变量线性模型

3.3 半线性模型

3.4 因子、交互作用、加权最小二乘

3.5 时间序列的回归

3.6 面板数据的回归

3.7 线性方程组

3.1 简单线性模型

例1:一元线性模型

数据集: journals

模型 log(subs)=β1+β2*log（citeprice）+ e

使用代码：

1）  了解数据集的基本情况

library(AER)
data("Journals")
journals <- Journals[, c("subs","price")]
journals$citeprice <- Journals$price/Journals$citations#定义新变量citeprice
summary(journals)

对数据进行基本的了解，在Hmisc，psych包中的describe函数提供了诸如离差，极差，峰度，偏度，数据量，缺失数等诸多统计量的统计结果，运行以下代码：

library(psych)
describe(journals)

输出结果：

判断数据是否具有一定的线性性，我们可以使用最直观的办法画图来做初步判断，代码如下：

plot(log(subs) ~ log(citeprice),data = journals)
jour_lm <- lm(log(subs) ~log(citeprice), data = journals)
abline(jour_lm)

可以得到图3.1，据此可初步判断数据间具有相关性，当然cor.test()也可以做到这一点，运行cor.test(journals$subs,journals$citeprice)，有以下结果：

Pearson'sproduct-moment correlation

data:  journals$subs and journals$citeprice

t = -6.1661,       df = 178 ,     p-value = 4.57e-09

alternative hypothesis: truecorrelation is not equal to 0

95 percent confidenceinterval:  -0.5330837   -0.2911326

sample estimates:              cor ：   -0.4195314

2）  线性回归模型建立

  

 jour_lm <-lm(log(subs) ~ log(citeprice), data = journals)

回归模型的大部分结果都可以通过summary函数进行查看，运行summary（jour_lm）即可，也有一些函数供你查看模型的特定部分

函数	描述
Summary	标准回归结果输出 </