R语言与回归分析模板.ppt

R语言与回归分析 R简介 R语言分析一个简单的线性模型 总结与展望 作业 R简介 1.S语言与R 2.R的安装与运行 3. R程序包的安装及使用 4. R语言中的几点注意事项 S语言与R R是一个有着强大统计分析及作图功能的软件系统 R语言可以看作是贝尔实验室开发的S语言的一种实现或形式 S语言主要内含在S-PLUS软件中，可将R和S-PLUS视为S语言的两种形式 S/S-PLUS方面的文档都可以直接用于R R的安装与运行 R程序包的安装 (1)菜单方式：联网条件下，按程序包 安装程序包 选择CRAN镜像服务器 选择程序包 (2)命令方式：install.packages（“PKname”） (3)本地安装：下载需要的程序包及与之关联 的程序包，再用“程序包”菜单中的“用本机的zip文件安装程序包” R程序包的使用 R语言中的几点注意事项 R语言区分大小写，即A与a不同；正常情况下所有字母和数字都是可用的。 命令由(;)分隔，或另起新行。 基本命令由({和})合并成复合表达式 注释以(#)开始，到行末结束。 命令未结束，R给出提示符(+)。 R语言与线性回归 线性回归模型的简单回顾 如何应用R语言进行回归分析 线性回归模型的简单回顾 Y通常称为因变量或响应变量，X称为自变量或预报变量。Y值由两部分组成，一部分由X决定是X的函数，记为f(X);另一部分由其他为考虑因素所产生的影响被称为随机误差，记为e。模型记为： Y=f(X)+e 要求 E(e)=0,特别的f(X)取为线性函数。 线性回归模型的简单回顾 回归分析的主要目的是探寻因变量与自变量之间的关系。 最常用的函数形式是线性函数，含有p个自变量的一般线性模型： 其中 为常数项， 为第j个解释型变量 的回归系数，它意味着，若 变化一个单位，可以预期 变化多少单位。 线性回归模型的简单回顾 对此普通线性模型做如下假定： (1)独立性：不同观测值之间相互独立的；残差项同解释性变量之间是独立的。 (2)常方差：即残差 的方差不依赖于自变量的取值，为一个常数。 (3)正态性：即残差项 是服从正态分布的。 数据读取 (1)使用函数read.table()创建数据框 rm(list=ls()) #清理当前工作空间 a-read.table(D:\\暑期建模\\CH1\\roe.txt,header=T) (2)使用函数scan()比read.table()更灵活，并且可以指定变量的类型 Excel数据读取 (1)利用剪切板：打开Excel电子表格，选中需要数据，复制到剪切板。然后键入命令 a-read.delim(clipboard) (2)使用程序包RODBC library(RODBC) b-odbcConnectExcel(d:/暑期建模/CH1/roe.xls) a-sqlFetch(b,roe) 数据保存 save(a,file=a.RData) load(d:\\我的文档\\a.RData)#调用以保存数据 write.table(a, a.txt)#保存为文本文档 write.csv(a, a.csv) a1=a[a$year==2002,-1] save(a1,file=a1.RData) 显示数据 变量的概括性度量 a1=a[a$year==2002,-1] #从a中选出year为2002的数据，并删除第1列，然后赋值给a1 Mean=sapply(a1,mean) #计算a1中各列的均值 Min=sapply(a1,min)#计算a1中各列的最小值 Median=sapply(a1,median) #计算a1中各列的中位数 Max=sapply(a1,max) #计算a1中各列的最大值 SD=sapply(a1,sd) #计算a1中各列的标准差 cbind(Mean,Min,Median,Max,SD) #将均值、最小值、中位数、最大值、标准差集中在一起展示 试验结果 变量间的相关性 散点图是一种最简单的相关分析工具 通过函数 pairs()观察各个变量间的相关性 命令： pairs(a,panel=panel.smooth) 随机变量样本的相关系数 round(cor(a),3) 相关性检验 ,使用函数cor.test() 参数估计 用矩阵形式表示线性模型记为 其中