原文链接：http://tecdat.cn/?p=24694

原文出处：拓端数据部落公众号

本文首先展示了如何将数据导入 R。然后，生成相关矩阵，然后进行两个预测变量回归分析。最后，展示了如何将矩阵输出为外部文件并将其用于回归。

数据输入和清理

首先，我们将加载所需的包。


library(dplyr) #用于清理数据
library(Hmisc) #相关系数的显着性

然后，我们将使用 Fortran 读入数据文件并稍微清理数据文件。


# 确保将您的工作目录设置为文件所在的位置
# 位于，例如setwd('D:/下载) 您可以在 R Studio 中通过转到
# 会话菜单 - '设置工作目录' - 到源文件# 选择数据的一个子集进行分析，存储在新的
# 数据框
sub <- subset(des,case < 21 & case != 9)# != 表示不等于#让我们看看数据文件
sub #注意 R 将原始数据中的空白单元格视为缺失，并将这些情况标记为 NA。 NA 是默认值


# 使用 dplyr 对特定测试进行子集化
select(sub, c(T1, T2, T4))# 使用 psych 包获取描述

请注意，R 将原始数据中的空白单元格视为缺失，并将这些情况标记为 NA。NA 是 R 实现的默认缺失数据标签。

创建和导出相关矩阵

现在，我们将创建一个相关矩阵，并向您展示如何将相关矩阵导出到外部文件。请注意，创建的第一个相关矩阵使用选项“pairwise”，该选项对缺失数据执行成对删除。这通常是不可取的，因为它删除了变量，而不是整个案例，因此可能会使参数估计产生偏差。第二个选项，“complete”，对缺失数据实施列表删除，这比成对删除更可取，因为参数估计偏差较小（删除整个案例，而不仅仅是特定变量）。

# 在变量之间创建一个相关矩阵cor <- cor( "pairwise.complete.obs",cor #相关矩阵


rcorr( test)   # 相关性的显著性


# 将相关矩阵保存到文件中
write.csv( cor, "PW.csv")


cor(test, method = "pear")
cor #注意我们使用列表删除时的差异


# 将相关矩阵保存到硬盘上的文件中
write.csv(cor, "cor.csv")

多元回归

现在，我们将做一些多元回归。具体来说，我们将查看测试 1 和 2 是否预测测试4。我们还将检查一些模型假设，包括是否存在异常值以及检验之间是否存在多重共线性（方差膨胀因子或 VIF）。其中一些代码可帮助您将残差、预测值和其他案例诊断保存到数据帧中以供以后检查。请注意，lm 命令默认为按列表删除。

summary(model)


# 将拟合值和预测值保存到数据框Predicted  # 保存个案诊断（异常值）hatvalues(model)# 多重共线性检验
vif(model)

vcov(ol) #保存系数的方差协方差矩阵
cov(gdest) #保存原始数据的协方差矩阵

模型结果及其含义：

多重 R 平方 告诉您在给定模型中自变量的线性组合的情况下预测或解释的因变量的方差比例。
调整后的 R 平方 告诉您总体水平 R 平方值的估计值。
残差标准误差 告诉您残差的平均标准偏差（原始度量）。如果平方是均方误差 (MSE)，则包含在残差旁边的方差分析表中。
F 统计量之后的显着性项 提供了针对没有预测变量的仅截距模型的综合检验（您的模型是否比仅平均值更好地预测您的结果？）
方差分析表 Mean Sq 残差的方差
方差膨胀因子 告诉您模型中的预测变量之间是否存在多重共线性。通常大于 10 的数字表示存在问题。越低越好。
影响度量 提供了许多个案诊断。在此输出中，相应的列编号按各自的顺序表示：截距的 dfbeta、X1 的 dfbeta、x2 的 dfbeta、dffits（全局影响，或 Yhat（预测的 Y）基于案例的删除而改变了多少）、协方差比率（通过删除此观察值，估计的协方差矩阵的行列式的变化），库克的距离（影响），杠杆率（就独立预测变量的值而言，观察值有多不寻常？），显着性检验标志着案例作为潜在的异常值。请注意，发现异常值的一种方法是寻找超出均值 2 个标准差以上的残差（均值始终为 0）。

接下来，让我们绘制一些模型图。


# 制作模型的图表
plot(T4 ~ T1, data =test)

绿线表示线性最佳拟合，而红线表示LOESS(局部加权回归)_拟合。红色虚线表示LOESS(局部加权回归)_平滑拟合线的 +-1 标准误差。第一个散点图命令的额外参数标记每个数据点以帮助识别异常值。注意第二个图，如果残差是正态分布的，我们会有一条平坦的线而不是一条曲线。

使用多元回归来显示系数如何是残差的函数

现在，让我们看看系数是如何作为残差的函数的。我们将从之前的回归中构建 T1 的系数。首先，我们将创建 T4（标准）的残差，控制 T1 以外的预测变量。

residuals(mot4) #将残差保存在原始数据框中

接下来，我们为 T1（预测变量）创建残差，控制 T1 以外的预测变量。我们在 T2 上回归 T1，得到 Y=b0+b1T2，其中 Y 是 T1。残差是所有与 T2 无关的东西。

现在我们使用 T4 运行回归，将所有 T2 作为 DV 删除，T1 将所有 T2 作为自变量删除。

anova


summary(modf) #模型结果

请注意，该回归系数与先前的两个预测器回归中的系数相同。接下来，我们将运行另一个以案例为DV的回归。我们将创建一个新的图表，以显示杠杆率只取决于预测因素而不是因变量。

anova(modeage)

summary(modage)

plot(lev ~ cae, data = grb)

请注意，在SEM中，没有简单的距离或杠杆措施，但我们可以得到杠杆，因为它与DV是分开的。如果我们能找出一个极端的案例，我们在有和没有这个案例的情况下进行分析，以确定其影响。输出的变化将是对杠杆的测试。

现在我们制作测试之间关系的 3d 散点图。

plot(T1,T2, T4,
3d(model)  #使用我们先前的模型来绘制一个回归平面

使用相关矩阵的多元回归

现在我们将展示如何仅使用相关矩阵进行回归。如果你想对提供相关和/或协方差矩阵的现有论文做额外的分析，但你无法获得这些论文的原始数据，那么这就非常有用。


#从你电脑上的文件中调入相关矩阵。
read.csv("cor.csv")
data.matrix(oaw) #从数据框架到矩阵的变化#用相关矩阵做回归，没有原始数据
mdeor

最受欢迎的见解

1.R语言多元Logistic逻辑回归应用案例

2.面板平滑转移回归(PSTR)分析案例实现

3.matlab中的偏最小二乘回归（PLSR）和主成分回归（PCR）

4.R语言泊松Poisson回归模型分析案例

5.R语言混合效应逻辑回归Logistic模型分析肺癌

6.r语言中对LASSO回归，Ridge岭回归和Elastic Net模型实现

7.R语言逻辑回归、Naive Bayes贝叶斯、决策树、随机森林算法预测心脏病

8.python用线性回归预测股票价格

9.R语言用逻辑回归、决策树和随机森林对信贷数据集进行分类预测

拓端tecdat|R语言结构方程模型 SEM 多元回归和模型诊断分析学生测试成绩数据与可视化相关推荐

拓端tecdat|R语言逻辑回归（Logistic回归）模型分类预测病人冠心病风险
最近我们被客户要求撰写关于冠心病风险的研究报告,包括一些图形和统计输出. 相关视频:R语言逻辑回归(Logistic回归)模型分类预测病人冠心病风险逻辑回归Logistic模型原理和R语言分类预测冠 ...
拓端tecdat|R语言向量误差修正模型 (VECMs)分析长期利率和通胀率影响关系
最近我们被客户要求撰写关于向量误差修正模型的研究报告,包括一些图形和统计输出. 向量自回归模型估计的先决条件之一是被分析的时间序列是平稳的.但是,经济理论认为,经济变量之间在水平上存在着均衡关系,可以 ...
拓端tecdat|R语言线性回归和时间序列分析北京房价影响因素可视化案例
最近我们被客户要求撰写关于北京房价影响因素的研究报告,包括一些图形和统计输出. 目的房价有关的数据可能反映了中国近年来的变化: 人们得到更多的资源(薪水),期望有更好的房子人口众多独生子女政策: ...
拓端tecdat|R语言用LOESS(局部加权回归)季节趋势分解（STL）进行时间序列异常检测
最近我们被客户要求撰写关于LOESS(局部加权回归)的研究报告,包括一些图形和统计输出. 这篇文章描述了一种对涉及季节性和趋势成分的时间序列的中点进行建模的方法.我们将对一种叫做STL的算法进行研究, ...
R语言混合线性模型、多层次模型、回归模型分析学生平均成绩GPA和可视化
最近我们被客户要求撰写关于混合线性模型的研究报告,包括一些图形和统计输出. 混合模型在统计学领域已经存在了很长时间.例如,标准的方差分析方法可以被看作是混合模型的特殊情况.最近,混合模型有多种应用和扩 ...
R语言:结构方程模型sem、潜变量分析
原文链接:http://tecdat.cn/?p=3071 对于熟悉线性回归拟合结构方程模型的分析师来说,在R环境中,拟合结构方程模型涉及学习新的建模语法,新的绘图语法以及通常是新的数据输入方法(点击 ...
如何用潜类别混合效应模型(Latent Class Mixed Model ,LCMM)分析老年痴呆年龄数据
全文下载链接:http://tecdat.cn/?p=24647 线性混合模型假设 N 个受试者的群体是同质的,并且在群体水平上由独特的曲线 Xi(t)β 描述(点击文末"阅读原文" ...
R语言结构方程模型（SEM）在生态学领域中的应用
前言:结构方程模型(Sructural Equation Model)是一种建立.估计和检验研究系统中多变量间因果关系的模型方法,它可以替代多元回归.因子分析.协方差分析等方法,利用图形化模型方式清晰 ...
R语言结构方程模型（SEM）在生态学领域中的实践
结构方程模型(Sructural Equation Model)是一种建立.估计和检验研究系统中多变量间因果关系的模型方法,它可以替代多元回归.因子分析.协方差分析等方法,利用图形化模型方式清晰展示研 ...
R语言结构方程模型（SEM）教程
详情点击链接:R语言结构方程模型(SEM)在生态学应用结构方程模型(Sructural Equation Model)是一种建立.估计和检验研究系统中多变量间因果关系的模型方法,它可以替代多元回归. ...

拓端tecdat|R语言结构方程模型 SEM 多元回归和模型诊断分析学生测试成绩数据与可视化