(完整word版)R软件一元线性回归分析.docVIP

软件一元线性回归分析 数据选自数理统计教材例题 8.4.1 合金钢强度与碳含量的数据 碳含量 合金钢强度 序号 /% /10 7pa 1 0.10 42.0 2 0.11 43.0 3 0.12 45.0 4 0.13 45.0 5 0.14 45.0 6 0.15 47.5 7 0.16 49.0 8 0.17 53.0 9 0.18 50.0 10 0.20 55.0 11 0.21 55.0 12 0.23 60.0 这里取碳含量为 x 是普通变量，取合金钢强度为 y 是随机变量 使用 R 软件对以上数据绘出散点图 程序如下： x=matrix(c(0.1,42,0.11,43,0.12,45,0.13,45,0.14,45,0.15,47.5,0.16,49,0.17,53,0.18,50,0.2,55,0.21, 55,0.23,60),nrow=12,ncol=2,byrow=T,dimnames=list(1:12,c(C,E))) outputcost=as.data.frame(x) plot(outputcost$C,outputcost$E) 0 6 5 5 E t s o tc u 5 o 5 4 0.10 0.12 0.14 0.16 0.18 0.20 0.22 outputcost$C 很显然这些点基本上（但并不精确地）落在一条直线上。 下面在之前数据录入的基础上做回归分析（程序接前文，下同） lm.sol = lm(E~C,data = outputcost) summary(lm.sol) 得到以下结果： Call: lm(formula = E ~ C, data = outputcost) Residuals: Min 1Q Median 3Q Max -2.00449 -0.63600 -0.02401 0.71297 2.32451 Coefficients: Estimate Std. Error t value Pr(|t|) (Intercept) 28.083 1.567 17.92 6.27e-09 *** C 132.899 9.606 13.84 7.59e-08 *** --- Signif. codes: 0 ‘ *** ’ 0.001 ‘ ** ’ 0.01 ‘ * ’ 0.05 ‘ . ’ 0.1 ‘ ’ 1 Residual standard error: 1.309 on 10 degrees of freedom Multiple R-squared: 0.9503, Adjusted R-squared: 0.9454 F-statistic: 191.4 on 1 and 10 DF, p-value: 7.585e-08 由计算结果分析： 常数项 0 =28.083 ，变量（即碳含量）的系数 1 =132.899 得到回归方程： y =28.083+132.899x 由于回归模型建立使用的是最小二乘法 , 而最小二乘法只是一 种单纯的数学方法 , 存在着一定的缺陷 , 即不论变量间有无相关关 系或有无显著线性相关关系 , 用最小二乘法都可以找到一条直线去 拟合变量间关系。所以回归模型建立之后 , 还要对其进行显著性检 验 ： 在上面的结果中 sd( 0 ）=1.567，sd( 1 )= 9.606。而对应于两个 系数的 P 值 6.27e-09 和 7.59e-08，故是非常显著的。 关于方程的检验， 残差的标准差 =1.309。相关系数的平方 R2 = 0.9503。关于 F 分布的 P 值为 7.585e-08，也是非常显著的。 我们将得到的直线方程画在散点图上，程序如下： abline(lm.sol) 得到散点图及相应的回归直线： 0 6 5 5 E t s o tc u 5 o 5 4 0.10 0.12 0.14 0.16 0.18 0.20 0.22 outputcost$C 下面分析残差： 在 R软件中，可用函数 residuals （）计算回归方程的残差。程序如下： y.res=residuals(lm.sol); plot(y.res) 得到残差图 2 1 s re . y 0 1 - 2 - 2 4 6 8 10 12 Index 从残差图可以看出， 第 8 个点有些反常， 这样我们用程序将第 8 个点 的残差标出，程序如下： text(8,y.res[8],labels=8,adj=1.2) 8 2 1 s re . y 0 1 - 2 - 2 4 6 8 10 12 Index 这个点可能有问题，下面做简单处理，去掉该样本点，编程如下： i=1:12; outputcost2=as.data.frame(x[i!=