R语言与回归分析最全版.pptVIP

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() * yrty * yrty 应用R语言命令：plot(a1$ROEt,a1$ROE) 绘制散点图，可以看出ROEt与ROE的相关性 * yrty 模型的建立 模型、假设和参数估计 * yrty 模型形式及假设 线性回归模型 模型假设 (1)独立性假设 (2)同方差假设 (3)正态性假设 * yrty 参数估计 模型: 最小二乘估计量： 方差估计量： * yrty 参数估计 用矩阵形式表示线性模型记为 其中 是回归系数变量， 是因变量向量， 是随机扰动向量，而X为设计矩阵。 当 存在时，回归参数 的最小二乘估计为 。 * yrty 参数估计的R软件实现 R语句：使用函数lm() lm1=lm(ROE~ROEt+ATO+PM+LEV+GROWTH+PB+ARR+INV+ASSET,data=a1) summary(lm1) 注：我们采用2002年数据拟合模型 * yrty * yrty 拟合优度 总平方和 残差平方和 　 计算残差函数residuals() R-Square * yrty 显著性检验 F检验、T检验 * yrty F检验 假设 检验统计量 拒绝域 * yrty T检验 假设 检验统计量 拒绝域 * yrty * yrty 各个结果的含义 第一列：参数的估计值 第二列：各个参数估计的标准差 第三列：通过样本计算得T检验统计量的值 第四列：通过T检验计算的ｐ值 Residual standard error（残差标准误） R-squared（判别系数） * yrty 显著性检验的结论 从F检验的结果看，模型的线性关系是显著的。 从T检验的结果看，ROEt和LEV两个变量通过了检验，GROWTH变量在显著性水平降至0.1时也可以通过检验，因此这三个变量与因变量的线性关系较为显著。 注意，这不说明应该删除其它变量！ * yrty 模型的诊断 异方差性、非正态性、异常值 * yrty 同方差性检验 正常的残差图 * yrty 同方差性检验 观测值不独立 * yrty 同方差性检验 方差齐性不成立（即方差相等假设不成立） * yrty 同方差性检验 应改为曲线 * yrty 正态性检验 若 , 并且 则有 * yrty 正态性检验 进一步，可得到 以及 所以在正态性假设下，残差 与 应该成线性关系。 * yrty 正态性检验 Q-Q 图 残差: 将残差排序: Y: X: * yrty * yrty * yrty 将上面的方法应用于本案例 目标1：检验模型是否符合三个假设 目标2：找出异常值 R语句：par(mfrow=c(2,2)) #设置画图为2x2的格式 plot(lm1,which=c(1:4)) #画出lm1中对应于模型检验的4张图，包括残差图、QQ图和Cook距离图 检验发现47号数据为异常值，需要将其消除 语句：a1=a1(-47) * yrty * tyuyt utyu * tyuyt utyu * tyuyt utyu * tyuyt utyu * tyuyt utyu y$a # y中名为a的变量 * * tyuyt utyu * tyuyt utyu * tyuyt utyu * tyuyt utyu 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 * yrty 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 * yrty 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-PL