R中的统计模型.docxVIP

— PAGE \* Arabic 1 — R中的统计模型 R 中的统计模型   这一部分假定读者已经对统计方法，特别是回归分析和方差分析有一定的了解。后面我们还会假定读者对广义线性模型和非线性模型也有所了解。R 已经很好地定义了统计模型拟合中的一些前提条件，因此我们能构建出一些通用的方法以用于各种问题。R 提供了一系列紧密联系的统计模型拟合的工具，使得拟合工作变得简单。正如我们在绪论中提到的一样，基本的屏幕输出是简洁的，因此用户需要调用一些辅助函数来提取细节的结果信息。   1定义统计模型的公式  下面统计模型的模板是一个基于独立的方差齐性数据的线性模型  ∑=+=p  j i ij j i e x y 0β  ),0(~2σN I D e i  用矩阵术语表示，它可以写成  e X y +=β  其中y 是响应向量，X 是模型矩阵（model matrix ）或者设计矩阵（design ma- trix ）。X 的列p x x x ,...,,10是决定变量（determining variable ）。通常， 0x 列都是1，用来定义截距（intercept ）项。   例子  在给予正式的定义前，举一些的例子可能更容易了解全貌。  假定y ,x,x 0,x 1,x 2,...是数值变量，X 是一个矩阵，而A,B,C,...是因子。下 面的例子中，左边给出公式，右边给出该公式的统计模型的描述。  y~x  y~1+x  二者都反映了y 对x 的简单线性模型。第一个公式包含  了一个隐式的截距项，而第二个则是一个显式的截距  项。  y~0+x  y~-1+x  y~x-1 y 对x 过原点的简单线性模型(也就是说，没有截距项)。 log(y)~x 1+x 2 y 的变换形式log(y)对x 1和x 2进行的多重回归(有一个隐  式的截距项)。  y~poly(x,2)  y~1+x+I(x^2) y 对x 的二次多项式回归。第一种是正交多项式  （orthogonal polynomial ），第二种则显式地注明各项的  幂次。  y~X+poly(x,2) y 利用模型矩阵X 和二次多项式项x 进行多重回归。 y~A y 的单因素方差分析模型，类别由A 决定。  y~A+x y 的单因素协方差分析模型，类别由A 决定，协方差项  为x 。  y~A*B  y~A+B+A:B  y~B%in%A  y~A/B y对A和B的非可加两因子方差分析模型（two factor  non-additive model）。前两个公式表示相同的交叉分类  设计（crossed classification），后两个公式表示相同的嵌  套分类设计(nested classification)。抽象一点说，这四个  公式指明同一个模型子空间。  y~(A+B+C)^2  y~A*B*C-A:B:C 三因子实验。该模型包括一个主效应（main effects）和  两个因子的交互效应（interactions）。这两个公式等价。y~A*x  y~A/x  y~A/(1+x)-1 在A的各个水平独立拟合y对x的简单线性回归。三  个公式的编码不一样。最后一个公式会对A各个水平  分别估计截距项和斜率项的。  y~A*B+Error(C) 一个实验设计有两个处理因素A和B以及因子C决定  的误差分层（error strata）。如在裂区实验设计（split  plotexperiment）中，所有区组（还包括子区组）都由  因子C决定的。  操作符~用来定义R的模型公式（model formula）。一个普通的线性模型式可以表示为  response~op 1 term 1 op 2 term 2 op 3 term 3...  其中response是一个作为响应变量的向量或者矩阵，或者是一个值为向量/矩阵的表达式。op i是一个操作符。它要么是+要么是-，分别表示在一个模型中加入或者去掉某一项(公式第一项的操作符可选）。term i可以(1)是一个向量，矩阵表达式或者1，(2)因子，(3)是一个由因子，向量或矩阵通过公式操作符连接产生的公式表达式（formula expression）。  基本