统计分析软件：使用R与Python课件-R语言回归分析.pptx

7.1一元回归模型7.2多元回归模型7.3回归模型的拟合优度7.4回归模型诊断7.5模型选择7.6模型的预测R语言回归分析

R语言回归分析一元回归模型lm函数，R语言公式回归模型诊断残差分析、异常点检测、共线性检测（条件数、VIF、FG检验）模型选择模型的预测多元回归模型系数置信区间、标准化回归模型的拟合优度

需要建立数学模型,使得能够根据自变量的数值预测因变量的大小,或者解释因变量的变化.血压与年龄刹车距离与车速薪金与资历、教育程度、工作岗位认识程度的限制客观事物的复杂人们关心的(因)变量受另外几个(自)变量的关联性(非因果性)影响,并且存在众多随机因素.无法分析对象内在的因果关系

回归分析(RegressionAnalysis)的具体步骤收集一组包含因变量和自变量的数据；选定因变量与自变量之间的模型，利用数据按照最小二乘准则计算模型中的系数；利用统计分析方法对不同的模型进行比较，找出与数据拟合得最好的模型；检验得到的模型是否适合于这组数据；利用模型对因变量作出预测或解释.

?7.1?一元回归模型

??

??

R语言模型formula?

?

?

?

?I就表示其中所有的运算符都是普通意义上的算术运算符

思考题?

例：一元回归分析示例物理学家James．D．Forbes试图通过水的沸点来估计海拔高度，他知道通过气压计测得的大气压可用于得到海拔高度，气压越低，高度越高，他测量了17个地方水的沸点（℉）及大气压数据，并且对数据作了简单的处理，得到了较为明确的数学关系，所提数据如下：

X-matrix(c(194.5,20.79,1.3179,131.79,194.3,20.79,1.3179,131.79,197.9,22.40,1.3502,135.02,198.4,22.67,1.3555,135.55,199.4,23.15,1.3646,136.46,199.9,23.35,1.3683,136.83,200.9,23.89,1.3782,137.82,201.1,23.99,1.3800,138.00,201.4,24.02,1.3806,138.06,201.3,24.01,1.3805,138.05,203.6,25.14,1.4004,140.04,204.6,26.57,1.4244,142.44,209.5,28.49,1.4547,145.47,208.6,27.76,1.4434,144.34,210.7,29.04,1.4630,146.30,211.9,29.88,1.4754,147.54,212.2,30.06,1.4780,147.80),ncol=4,byrow=T,dimnames=list(1:17,c(F,h,log,log100)))forbes=as.data.frame(X)相关数据如下：

首先，画自变量和因变量之间的散点图，进行数据探索分析。从散点图上发现X和Y的排列基本是在一条直线附近，那么我们可以假设X和Y的关系是线性的。

R语言实现有三种方式可以实现最小二乘法的简单线性回归，假设数据框为forbeslm(forbes$log100~forbes$F)lm(log100~F,data=forbes)attach(forbes)?;lm(log100~F);#处理完后用detach解除绑定lm.sol-lm(log100~F,data=forbes)summary(lm.sol)

通过P值(就是Pr那一列)来查看对应的解释变量x的显著性，通过将p值与0.05进行比较，若该值小于0.05，就可以说该变量与被解释变量存在显著的相关性。

MultipleR-squared和AdjustedR-squared这两个值，又被称为”拟合优度“和”修正的拟合优度“，是指回归方程对样本的拟合程度，这里我们可以看到，修正的拟合优度为0.99946，表示拟合程度超过五成，这个值越高越好。

F-statistic，也称为F检验，常用于判断方程整体的显著性实验，其p值2.2e-16，显然小于0.05，方程在P=0.05的水平上是通过显著性检验的。

回归方程?可以将得到的直线方程添加到散点图上。

提取模型信息lm()?的返回值是一个模型拟合结果对象；技术上就是?lm?的一个结果列表类。关于拟合模型的信息可以用能调用对象类?lm?的泛型函数显示，提取，图示等等。这包括add1coefeffectskappap