R的简单介绍和线性回归.pptVIP

3.2.1假设检验命令调用 z.test-function(x,n,sigma,alpha,u0=0,alternative=“two.sided”) 类似的可以调用t.test,chisq.var.test检验 3.3主成分和因子分析 主成分分析：将多个变量通过线性变换以选出较少个数重要变量，而又尽可能多的保留原始样本的信息。 因子分析：用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子，以较少的几个因子反映原资料的大部分信息。 3.3.1主成分分析 随机抽取30名某年级中学生,测量其身高(X1), 体重(X2), 胸围(X3), 坐高(X4), 数据如下表所示, 试对这30名学生身体四项指标作主成分分析。 序号 X1 X2 X3 X4 序号 X1 X2 X3 X4 1 148 41 72 78 2 139 34 71 76 3 160 49 77 86 4 149 36 67 79 5 159 45 80 86 6 142 31 66 76 7 153 43 76 83 8 150 43 77 79 9 151 42 77 80 10 139 31 68 74 11 140 29 64 74 12 161 47 78 84 …… …… 通过对以上四项指标做主成分分析，可以构造由四个指标的线性组合组成的主成分，来解释数据。 本例中经过主成分分析中可构造出一个反应学生魁梧成度的主成分y1和反应学生胖瘦的主成分y2。 主成分分析代码 x-read.csv(student.csv) student.pr-princomp(x[,-1],cor=TRUE) summary(student.pr,loadings=TRUE) #主成分得分 predict(student.pr) #主成分的碎石图 screeplot(student.pr,type=lines) 你的电脑没有这个数据，可以拿其他数据做测试 3.3. 1主成分分析的代码调用 三种格式调用： 格式一： princomp（formula,data=NULL,subset,na.action,…) 格式二： princomp（x,cor=FALSE,scores=TRUE,covmat=NULL,subset=rep(TRUE,nrow)) formula是没有响应变量的公式；x是用于主成分分析的数据；cor是逻辑变量，当 cor=TRUE表示用样本的相关阵R作主成分分析。 3.3.2因子分析： 从现有变量综合出少量的变量来解释信息 例：现有100名学生六门课（数学、物理、化学、语文、历史、英语）的成绩如下表。目前的问题是：数据中的6个变量能否用一两个综合变量来表示呢？怎么解释它们呢？ 最终，经过因子分析，得到： Math= -0.355f1+0.793f2 Phys= -0.201f1+0.713f2 Chem= -0.216f1+0.689f2 Literat=0.850f1-0.376f2 History= 0.854f1-0..235f2 English= 0.872f1-0.242f2 第一个因子f1主要和语文、历史、英语三科有很强的正相关性，而第二个因子主要和数学、物理、化学三科有很强的正相关系数，因此可以给第一个因子f1起名为“文科因子”，给第二个因子f2起名为“理科因子” 学生代码 数学 物理 化学 语文 历史 英语 1 65 61 72 84 81 79 2 77 77 76 64 70 55 3 67 63 49 65 67 57 ... …… 3.3.1因子分析函数的调用 基