資源描述：
《R語(yǔ)言與回歸分析(收藏)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫(kù)。
1、R語(yǔ)言與回歸分析回歸模型是計(jì)量里最基礎(chǔ)也最常見(jiàn)的模型之一。究其原因，我想是因?yàn)樵趯?shí)際問(wèn)題中我們并不知道總體分布如何，而且只有一組數(shù)據(jù)，那么試著對(duì)數(shù)據(jù)作回歸分析將會(huì)是一個(gè)不錯(cuò)的選擇。一、簡(jiǎn)單線性回歸簡(jiǎn)單的線性回歸涉及到兩個(gè)變量：一個(gè)是解釋變量，通常稱(chēng)為X;另一個(gè)是被解釋變量，通常稱(chēng)為y?；貧w會(huì)用常見(jiàn)的最小二乘算法擬合線性模型:yi=pO+p1xi+ei其中00和01是回歸系數(shù)，￡i表示誤差。在R中，你可以通過(guò)函數(shù)lm()去計(jì)算他。Lm()用法如下：lm(formula,data,subset,weights,na.action,method=”q廣，mod
2、el=TRUE,x=FALSE,y=FALSE,qr=TRUE,singular.ok=TRUE,contrasts=NULL,offset,…)參數(shù)是formula模型公式，例如y~x。公式中波浪號(hào)(?)左側(cè)的是響應(yīng)變量，右側(cè)是預(yù)測(cè)變量。函數(shù)會(huì)估計(jì)回歸系數(shù)卩0和01,分別以截距(intercept)和x的系數(shù)表示。有三種方式可以實(shí)現(xiàn)最小二乘法的簡(jiǎn)單線性回歸，假設(shè)數(shù)據(jù)wagel(可以通過(guò)names函數(shù)查看數(shù)據(jù)框各項(xiàng)名稱(chēng))(1)Im(wage1$wage~wagel$educ+wagel$exper)(2)Im(wage~educ+exper,data=w
3、agel)(3)attach(wagel)lm(wage?educ+exper)#不要忘記處理完后用detach()解出關(guān)聯(lián)運(yùn)行下列代碼：library(foreign)A<-read.dta("D:/R/data/WAGE1.dta")#導(dǎo)入數(shù)據(jù)lm(wage~educ,data二A)>lm(wage~educ,data二A)Call:lm(formula=wage~educ,data=A)Coefficients:(Intercept)educ-0.90490.5414當(dāng)然得到這些數(shù)據(jù)是不夠的，我們必須要有足夠的證據(jù)去證明我們所做的冋歸的合理性。那么
4、如何獲取冋歸的信息呢？嘗試運(yùn)行以下代碼：result<-lm(wage^educ,data=A)summary(result)我們可以得到以下結(jié)果：Call:lm(formula=wage~educ,data=A)Residuals:Min1QMedian3QMax-5.3396-2.1501-0.96741.192116.6085Coefficients:EstimateStd.ErrortvaluePr(>
5、t
6、)(Intercept)-0.904850.68497-1.3210.187educ0.541360.0532510.167<2e-16**
7、*Signif.codes:0?0.0010.010.0570.1c11Residualstandarderror:3.378on524degreesoffreedomMultipleR-squared:0.1648,AdjustedR-squared:0.1632F-statistic:103.4on1and524DF,p-value:<2.2e-16解讀上述結(jié)果，我們不難看出，單從判決系數(shù)R-squared上看，回歸結(jié)果是不理想的，但是，從p值來(lái)看，我們還是可以得到回歸系數(shù)是很顯著地（注意，這里的P<0.05就可以認(rèn)為拒絕回歸系數(shù)為0,即回歸變量與被
8、解釋變量無(wú)關(guān)的原擇假設(shè)，選擇備擇假設(shè)）所以說(shuō)我們的回歸的效果不好但還是可以接受的。當(dāng)然，這一點(diǎn)也可以通過(guò)做散點(diǎn)圖給我們直觀的印象：ooooo8OAM0is@80is1012141618educ但是影響薪酬的因素不只是education,可能還冇其他的，比如工作經(jīng)驗(yàn)，丁作任期。為了更好地解釋影響薪酬的因素，我們就必須用到多元線性回歸。二、多元線性回歸還是使用Im函數(shù)。在公式的右側(cè)指定多個(gè)預(yù)測(cè)變量，用加號(hào)(+)連接：>lm(y~u+v+w)顯然，多元線性回歸是簡(jiǎn)單的線性回歸的擴(kuò)展?？梢杂卸鄠€(gè)預(yù)測(cè)變量，還是用OLS計(jì)算多項(xiàng)式的系數(shù)。三變量的冋歸等同于這個(gè)線性模
9、型：yi=P0+p1ui+p2vi+P3wi+ei在R中，簡(jiǎn)單線性回歸和多元線性回歸都是用Im函數(shù)。只要在模型公式的右側(cè)增加變量即可。輸出中會(huì)有擬合的模型的系數(shù)：>result1<-lm(wage^educ+exper+tenure,data=A)>summary(result1)Call:lm(formula=wage-educ+exper+tenure,data=A)Residuals:Min1QMedian3QMax-866.29-249.23-51.07189.622190.01Coefficients:EstimateStd.Errortval
10、uePr(>
11、t
12、)(Intercept)-276.240106.702-2.5
