用R语言进行简单线性回归分析

数模天下

用R语言进行简单线性回归分析，数据出自何晓群--应用回归分析，语言如下所示：

x y

1 w! T8 G. z) V- R* R8 D

3.4 26.2

1.8 17.8

( H# K9 H; O8 D: a  ^  I  x

4.6 31.3

2.3 23.1

3.1 27.5

5.5 36

0.7 14.1

3 22.3

2.6 19.6

4.3 31.3

2.1 24

) {4 g, T) Z3 w2 @& q$ i" k* I

1.1 17.3

4 I9 q5 B$ Q' Z

6.1 43.2

4.8 36.4

3.8 26.1

, Z* t( M6 i0 d# V

#-------------------------------------------------------------#数据准备

fire <- read.table('D:/fire.txt', head = T)

% R( D5 ^% u% s- |  B4 Y: V

#-------------------------------------------------------------#回归分析

4 k; x% T, E0 j8 f( T

plot(fire$y ~ fire$x)

fire.reg <- lm(fire$y ~ fire$x, data = fire) #回归拟合

summary(fire.reg) #回归分析表

anova(fire.reg) #方差分析表

abline(fire.reg, col = 2, lty = 2) #拟合直线

#-------------------------------------------------------------#残差分析

fire.res <- residuals(fire.reg) #残差

fire.sre <- rstandard(fire.reg) #学生化残差

plot(fire.sre)

abline(h = 0)

- W# O) ~1 [. B) Z% i

text(11, fire.sre[11], label = 11, adj = (-0.3), col = 2) #标注点

: w$ ~' l$ E9 `6 u2 f

#-------------------------------------------------------------#预测与控制

attach(fire) #连接

4 U* ^: }$ D" j# U; Y- A" q6 w

fire.reg <- lm(y ~ x) #这种回归拟合简单

fire.points <- data.frame(x = c(3.5, 4))

fire.pred <- predict(fire.reg, fire.points, interval = 'prediction', level = 0.95) #预测：置信区间

fire.pred

detach(fire) #取消连接

; Z' Z6 S: p5 y2 R

--------------------------------------------------------------------------------------------------

#附自编的过程程序：（R最大的好处是可以自己编想要的程序和函数，尤其没有内置函数的时候）

fire <- read.table('D:/fire.txt', head = T)

attach(fire)

--------------------------------------------

3 l" V3 z, T8 Y! `% o! Q; T

lxy <- function(x){

sum <- 0

sum0 <- 0

for(i in 1:length(x)){

sum0 <- (x - mean(x)) * (y-mean(y))

sum <- sum + sum0}

sum}

---------------------------------------------------------------------------------

#用这个就不需要循环了

7 ?4 {# t/ I& U: i$ G8 P

lxy <- function(x){

mid <- (x - mean(x)) * (y-mean(y))

# K* T9 N2 A' b; J# i9 t

sum <- sum(mid)

$ n# A; \& K5 s) h. q

sum}

#对于数据框、列表等数据对象要善用apply()函数。

---------------------------------------------------------------------------------

lxx <- function(x){

sum <- 0

sum0 <- 0

for(i in 1:length(x)){

sum0 <- (x - mean(x))^2

sum <- sum + sum0}

4 k  `" }4 P' y

sum}

Lxx <- lxx(x)

Lyy <- lxx(y)

Lxy <- lxy(x)

b1 <- Lxy / Lxx; b1 #回归系数斜率

b0 <- mean(y) - b1 * mean(x); b0 #回归系数截距

residu <- y - (b0 + b1*x); residu #残差

r <- Lxy / sqrt(Lxx * Lyy); r #相关系数

rsqure <- r^2; rsqure #决定系数

- V. F* v! k4 B. K, c

adrsqure <- 1 - ((length(x)-1)/(length(x)-2))*(1-r^2) #调整后的决定系数

----------------------------------------------------------------------------------

esrequre <- function(x){ #求标准差平方估计值

sum <- 0

$ \* _8 w" o6 W

sum0 <- 0

for(i in 1:length(x)){

8 T; _+ Z/ j/ M, I+ R' n6 N7 a

sum0 <- residu^2

sum <- sum + sum0}

residusqure <- sum/(length(x)-2)

residusqure}

esterreq <- esrequre(x); esterreq #标准差平方估计值(MSE)

ester <- sqrt(esrequre(x)); ester #标准差估计值(回归分析表给出的标准误差)

val_t <- b1*sqrt(Lxx) / ester; val_t #检验回归系数斜率b1的t值

SSe <- function(x){ #求残差平方和

sum <- 0

sum0 <- 0

" {) Z( U( e  [  Q2 a

for(i in 1:length(x)){

. x- T1 y+ P: j3 q5 J: h

sum0 <- residu^2

sum <- sum + sum0}

* I5 |. h5 h2 D( n# s) k5 o

sum}

6 ^1 I6 @3 e- ?: s& A; j* i; b* r

SSE <- SSe(x); SSE #残差平方和

MSE <- SSE/(length(x)-2); MSE #残差均方和

SSr <- function(x){

sum <- 0

sum0 <- 0

for(i in 1:length(x)){

sum0 <- ((b0 + b1*x) - mean(y))^2

sum <- sum + sum0}

8 G9 E2 o3 g  @! j, z

sum}

SSR <- SSr(x); SSR #回归平方和

3 o/ C' p" R5 A. G! r9 P

MSR <- SSR/1; MSR #回归均方和

9 T* Z0 C7 a% {: _+ \' y

val_F <- SSR / MSE; val_F #检验回归方程F值

hi <- 1/length(x) + (x-mean(x))^2/Lxx #杠杆值

ZRE <- residu / ester; ZRE #标准化残差

SRE <- residu/(ester*sqrt(1-hi)); SRE #学生化残差

/ U2 `  [$ p8 r, j+ m

Y <- function(x){b0 + b1 * x} #点估计

Y(3.5)