99999久久久久久亚洲,欧美人与禽猛交狂配,高清日韩av在线影院,一个人在线高清免费观看,啦啦啦在线视频免费观看www

熱線電話:13121318867

登錄
首頁(yè)精彩閱讀R語(yǔ)言-回歸之簡(jiǎn)單線性回歸
R語(yǔ)言-回歸之簡(jiǎn)單線性回歸
2017-05-31
收藏

R語(yǔ)言-回歸之簡(jiǎn)單線性回歸

8.1 回歸的多面性
回歸是一個(gè)令人困惑的詞,因?yàn)樗性S多特殊變種(見(jiàn)表8-1)。對(duì)于回歸模型的擬合, R提供的強(qiáng)大而豐富的功能和選項(xiàng)也同樣令人困惑。例如, 2005年Vito Ricci創(chuàng)建的列表表明, R中做回歸分析的函數(shù)已超過(guò)了205個(gè)。

在這一章中,我們的重點(diǎn)是普通最小二乘(OLS)回歸法,包括簡(jiǎn)單線性回歸、多項(xiàng)式回歸和多元線性回歸。 OLS回歸是現(xiàn)今最常見(jiàn)的統(tǒng)計(jì)分析方法,其他回歸模型(Logistic回歸和泊松回歸)將在第13章介紹。

8.1.1 OLS 回歸的適用情境
OLS回歸是通過(guò)預(yù)測(cè)變量的加權(quán)和來(lái)預(yù)測(cè)量化的因變量,其中權(quán)重是通過(guò)數(shù)據(jù)估計(jì)而得的參數(shù)?,F(xiàn)在讓我們一起看一個(gè)改編自Fwa(2006)的具體示例(此處沒(méi)有任何含沙射影之意)。

一個(gè)工程師想找出跟橋梁退化有關(guān)的最重要的因素,比如使用年限、交通流量、橋梁設(shè)計(jì)、建造材料和建造方法、建造質(zhì)量以及天氣情況,并確定它們之間的數(shù)學(xué)關(guān)系。他從一個(gè)有代表性的橋梁樣本中收集了這些變量的相關(guān)數(shù)據(jù),然后使用OLS回歸對(duì)數(shù)據(jù)進(jìn)行建模。這種方法的交互性很強(qiáng)。他擬合了一系列模型,檢驗(yàn)它們是否符合相應(yīng)的統(tǒng)計(jì)假設(shè),探索了所有異常的發(fā)現(xiàn),最終從許多可能的模型中選擇了“最佳”的模型。如果成功,那么結(jié)果將會(huì)幫助他完成以下任務(wù)。

 在眾多變量中判斷哪些對(duì)預(yù)測(cè)橋梁退化是有用的,得到它們的相對(duì)重要性,從而關(guān)注重要的變量。
  根據(jù)回歸所得的等式預(yù)測(cè)新的橋梁的退化情況(預(yù)測(cè)變量的值已知,但是橋梁退化程度未知),找出那些可能會(huì)有麻煩的橋梁。
  利用對(duì)異常橋梁的分析,獲得一些意外的信息。比如他發(fā)現(xiàn)某些橋梁的退化速度比預(yù)測(cè)的更快或更慢,那么研究這些“離群點(diǎn)”可能會(huì)有重大的發(fā)現(xiàn),能夠幫助理解橋梁退化的機(jī)制。
可能橋梁的例子并不能引起你的興趣。而我是從事臨床心理學(xué)和統(tǒng)計(jì)的,對(duì)土木工程也是一無(wú)所知,但是這其中蘊(yùn)含的一般性思想適用于物理、生物和社會(huì)科學(xué)的許多問(wèn)題。以下問(wèn)題都可以通過(guò)OLS方法進(jìn)行處理。
  鋪路表面的面積與表面鹽度有什么關(guān)系(Montogomery, 2007)?
  一個(gè)用戶哪些方面的經(jīng)歷會(huì)導(dǎo)致他沉溺于大型多人在線角色扮演游戲(MMORPG; Hsu,Wen& Wu, 2009)?
  教育環(huán)境中的哪些因素與最能影響學(xué)生成績(jī)得分?
  血壓、鹽攝入量和年齡的關(guān)系是什么樣的?對(duì)于男性和女性是相同的嗎?
  運(yùn)動(dòng)場(chǎng)館和職業(yè)運(yùn)動(dòng)對(duì)大都市的發(fā)展有何影響(Baade & Dye, 1990)?
  哪些因素可以解釋各州的啤酒價(jià)格差異(Culbertson & Bradford, 1991)?(這個(gè)問(wèn)題終于引起了你的注意!)
我們主要的困難有三個(gè):發(fā)現(xiàn)有趣的問(wèn)題, 設(shè)計(jì)一個(gè)有用的、可以測(cè)量的響應(yīng)變量,以及收集合適的數(shù)據(jù)。

8.1.2 基礎(chǔ)回顧
下面的幾節(jié),我將介紹如何用R函數(shù)擬合OLS回歸模型、評(píng)價(jià)擬合優(yōu)度、檢驗(yàn)假設(shè)條件以及選擇模型。此處假定讀者已經(jīng)在本科統(tǒng)計(jì)課程第二學(xué)期接觸了最小二乘回歸法,不過(guò),我還是會(huì)盡量少用數(shù)學(xué)符號(hào),關(guān)注實(shí)際運(yùn)用而不是理論細(xì)節(jié)。有大量?jī)?yōu)秀書籍都介紹了本章提到的統(tǒng)計(jì)知識(shí)。我最喜歡的是John Fox的Applied Regression Analysis and Generalized Linear Models (偏重理論)和An R and S-Plus Companion to Applied Regression(偏重應(yīng)用),它們?yōu)楸菊绿峁┝酥饕乃夭?。另外,一份不錯(cuò)的非技術(shù)性綜述可參考Licht(1995)。
8.2 OLS 回歸
在本章大部分內(nèi)容中,我們都是利用OLS法通過(guò)一系列的預(yù)測(cè)變量來(lái)預(yù)測(cè)響應(yīng)變量(也可以說(shuō)是在預(yù)測(cè)變量上“回歸”響應(yīng)變量——其名也因此而來(lái))。 OLS回歸擬合模型的形式:

其中, n 為觀測(cè)的數(shù)目, k 為預(yù)測(cè)變量的數(shù)目。(雖然我極力避免討論公式,但這里探討公式是簡(jiǎn)化問(wèn)題的需要。)等式中相應(yīng)部分的解釋如下。

我們的目標(biāo)是通過(guò)減少響應(yīng)變量的真實(shí)值與預(yù)測(cè)值的差值來(lái)獲得模型參數(shù)(截距項(xiàng)和斜率)。具體而言,即使得殘差平方和最小。

為了能夠恰當(dāng)?shù)亟忉孫LS模型的系數(shù),數(shù)據(jù)必須滿足以下統(tǒng)計(jì)假設(shè)。
  正態(tài)性 對(duì)于固定的自變量值,因變量值成正態(tài)分布。
  獨(dú)立性 Yi值之間相互獨(dú)立。
  線性 因變量與自變量之間為線性相關(guān)。
  同方差性 因變量的方差不隨自變量的水平不同而變化。也可稱作不變方差,但是說(shuō)同方差性感覺(jué)上更犀利。
如果違背了以上假設(shè),你的統(tǒng)計(jì)顯著性檢驗(yàn)結(jié)果和所得的置信區(qū)間很可能就不精確。注意,OLS回歸還假定自變量是固定的且測(cè)量無(wú)誤差,但在實(shí)踐中通常都放松了這個(gè)假設(shè)。

8.2.1 用 lm()擬合回歸模型
在R中,擬合線性模型最基本的函數(shù)就是lm(),格式為:

其中, formula指要擬合的模型形式, data是一個(gè)數(shù)據(jù)框,包含了用于擬合模型的數(shù)據(jù)。結(jié)果對(duì)象(本例中是myfit)存儲(chǔ)在一個(gè)列表中,包含了所擬合模型的大量信息。表達(dá)式(formula)形式如下:

~左邊為響應(yīng)變量,右邊為各個(gè)預(yù)測(cè)變量,預(yù)測(cè)變量之間用+符號(hào)分隔。表8-2中的符號(hào)可以不同方式修改這一表達(dá)式。
除了lm(),表8-3還列出了其他一些對(duì)做簡(jiǎn)單或多元回歸分析有用的函數(shù)。擬合模型后,將這些函數(shù)應(yīng)用于lm()返回的對(duì)象,可以得到更多額外的模型信息。

當(dāng)回歸模型包含一個(gè)因變量和一個(gè)自變量時(shí),我們稱為簡(jiǎn)單線性回歸。當(dāng)只有一個(gè)預(yù)測(cè)變量,但同時(shí)包含變量的冪(比如, X、 X 2、 X 3)時(shí),我們稱之為多項(xiàng)式回歸。當(dāng)有不止一個(gè)預(yù)測(cè)變量時(shí),則稱為多元線性回歸?,F(xiàn)在,我們首先從一個(gè)簡(jiǎn)單的線性回歸例子開始,然后逐步展示多項(xiàng)式回歸和多元線性回歸,最后還會(huì)介紹一個(gè)包含交互項(xiàng)的多元線性回歸的例子。

8.2.2 簡(jiǎn)單線性回歸
讓我們通過(guò)一個(gè)回歸示例來(lái)熟悉表8-3中的函數(shù)?;A(chǔ)安裝中的數(shù)據(jù)集women提供了15個(gè)年齡在30~39歲間女性的身高和體重信息,我們想通過(guò)身高來(lái)預(yù)測(cè)體重,獲得一個(gè)等式可以幫助我們分辨出那些過(guò)重或過(guò)瘦的個(gè)體。代碼清單8-1提供了分析過(guò)程,圖8-1展示了結(jié)果圖形。通過(guò)輸出結(jié)果,可以得到預(yù)測(cè)等式:

因?yàn)樯砀卟豢赡転?,你沒(méi)必要給截距項(xiàng)一個(gè)物理解釋,它僅僅是一個(gè)常量調(diào)整項(xiàng)。在Pr(>|t|)欄,可以看到回歸系數(shù)(3.45)顯著不為0(p<0.001),表明身高每增高1英寸,體重將預(yù)期增加3.45磅①。 R平方項(xiàng)(0.991)表明模型可以解釋體重99.1%的方差,它也是實(shí)際和預(yù)測(cè)值之間的相關(guān)系數(shù)(R2 = r2?Y)。殘差標(biāo)準(zhǔn)誤(1.53 lbs)則可認(rèn)為是模型用身高預(yù)測(cè)體重的平均誤差。 F統(tǒng)計(jì)量檢驗(yàn)所有的預(yù)測(cè)變量預(yù)測(cè)響應(yīng)變量是否都在某個(gè)幾率水平之上。由于簡(jiǎn)單回歸只有一個(gè)預(yù)測(cè)變量,此處F檢驗(yàn)等同于身高回歸系數(shù)的t檢驗(yàn)。

為了展示的需要,我們已經(jīng)輸出了真實(shí)值、預(yù)測(cè)值和殘差值。顯然,最大的殘差值在身高矮和身高高的地方出現(xiàn),這也可以從圖8-1看出來(lái)。圖形表明你可以用含一個(gè)彎曲的曲線來(lái)提高預(yù)測(cè)的精度。比如,模型? = β0 + β1X + β1X2就能更好地?cái)M合數(shù)據(jù)。多項(xiàng)式回歸允許你用一個(gè)解釋變量預(yù)測(cè)一個(gè)響應(yīng)變量,它們關(guān)系的形式即n次多項(xiàng)式。


數(shù)據(jù)分析咨詢請(qǐng)掃描二維碼

若不方便掃碼,搜微信號(hào):CDAshujufenxi

數(shù)據(jù)分析師資訊
更多

OK
客服在線
立即咨詢
客服在線
立即咨詢
') } function initGt() { var handler = function (captchaObj) { captchaObj.appendTo('#captcha'); captchaObj.onReady(function () { $("#wait").hide(); }).onSuccess(function(){ $('.getcheckcode').removeClass('dis'); $('.getcheckcode').trigger('click'); }); window.captchaObj = captchaObj; }; $('#captcha').show(); $.ajax({ url: "/login/gtstart?t=" + (new Date()).getTime(), // 加隨機(jī)數(shù)防止緩存 type: "get", dataType: "json", success: function (data) { $('#text').hide(); $('#wait').show(); // 調(diào)用 initGeetest 進(jìn)行初始化 // 參數(shù)1:配置參數(shù) // 參數(shù)2:回調(diào),回調(diào)的第一個(gè)參數(shù)驗(yàn)證碼對(duì)象,之后可以使用它調(diào)用相應(yīng)的接口 initGeetest({ // 以下 4 個(gè)配置參數(shù)為必須,不能缺少 gt: data.gt, challenge: data.challenge, offline: !data.success, // 表示用戶后臺(tái)檢測(cè)極驗(yàn)服務(wù)器是否宕機(jī) new_captcha: data.new_captcha, // 用于宕機(jī)時(shí)表示是新驗(yàn)證碼的宕機(jī) product: "float", // 產(chǎn)品形式,包括:float,popup width: "280px", https: true // 更多配置參數(shù)說(shuō)明請(qǐng)參見(jiàn):http://docs.geetest.com/install/client/web-front/ }, handler); } }); } function codeCutdown() { if(_wait == 0){ //倒計(jì)時(shí)完成 $(".getcheckcode").removeClass('dis').html("重新獲取"); }else{ $(".getcheckcode").addClass('dis').html("重新獲取("+_wait+"s)"); _wait--; setTimeout(function () { codeCutdown(); },1000); } } function inputValidate(ele,telInput) { var oInput = ele; var inputVal = oInput.val(); var oType = ele.attr('data-type'); var oEtag = $('#etag').val(); var oErr = oInput.closest('.form_box').next('.err_txt'); var empTxt = '請(qǐng)輸入'+oInput.attr('placeholder')+'!'; var errTxt = '請(qǐng)輸入正確的'+oInput.attr('placeholder')+'!'; var pattern; if(inputVal==""){ if(!telInput){ errFun(oErr,empTxt); } return false; }else { switch (oType){ case 'login_mobile': pattern = /^1[3456789]\d{9}$/; if(inputVal.length==11) { $.ajax({ url: '/login/checkmobile', type: "post", dataType: "json", data: { mobile: inputVal, etag: oEtag, page_ur: window.location.href, page_referer: document.referrer }, success: function (data) { } }); } break; case 'login_yzm': pattern = /^\d{6}$/; break; } if(oType=='login_mobile'){ } if(!!validateFun(pattern,inputVal)){ errFun(oErr,'') if(telInput){ $('.getcheckcode').removeClass('dis'); } }else { if(!telInput) { errFun(oErr, errTxt); }else { $('.getcheckcode').addClass('dis'); } return false; } } return true; } function errFun(obj,msg) { obj.html(msg); if(msg==''){ $('.login_submit').removeClass('dis'); }else { $('.login_submit').addClass('dis'); } } function validateFun(pat,val) { return pat.test(val); }