文章目录

一、数据调用与预处理
二、一元线性回归分析
三、多元线性回归分析
- （一）解释变量的多重共线性检测
- （二）多元回归
- - 1. 多元最小二乘回归
  - 2. 逐步回归
- （三）回归诊断
四、模型评价-常用的准则统计量

一、数据调用与预处理

本文使用的数据为R语言自带数据集“iris”。iris数据集包含5个变量：
数值变量：Sepal.Length, Sepal.Width, Petal.Length, Petal.Width,
分类变量：Species
以下简述掉用过程和数据处理步骤。

data（"iris"）# 运行后 Environment 中的 Data 就会出现iris数据集#分类变量Species处理
iris$isSetosa <- ifelse(iris$Species == 'setosa',1,0)
iris$isVersicolor <- ifelse(iris$Species == 'versicolor',1,0)

二、一元线性回归分析

看散点图
看起来有正相关关系

plot(iris$Petal.Length~iris$Petal.Width)

Petal 长与宽的一元线性回归
根据一元线性回归拟合结果，截距项（Intercept）和petal.width均通过t检验（估计参数的检验p值小于0.05，统计显著）。模型整体拟合优度（ R 2 R^2 R2）为0.93，拟合效果较好。
拟合结果： p e t a l . l e n g t h = 2.23 × p e t a l . w i d t h + 1.08 petal.length = 2.23 \times petal.width + 1.08 petal.length=2.23×petal.width+1.08

pw_pl = lm(Petal.Length~Petal.Width, data = iris)#fomular = y~x
summary(pw_pl)

看一下pw_pl什么样子（非必要）

诊断Petal.Width与Petal.Length的一元线性回归
从残差图中看，残差形态无明显违背高斯假定的迹象。

p.res = residuals(pw_pl)
p.fit <- predict(pw_pl)
plot(p.res~p.fit)

Shapiro的原假设是检测变量符合正态分布，对petal长宽拟合的残差项的Shapiro正态检验中，P值大于0.05，无证据拒绝原假设，残差项是正态分布，符合一元线性回归要求。

shapiro.test(p.res)#正态检验

三、多元线性回归分析

多元线性回归基本假定：

随机误差条件均值为零
随机误差同方差
（时间序列）随机误差项无自相关
随机误差项与解释变量不相关
无多重共线性（解释变量之间）
随机误差条件分布为正态分布

（一）解释变量的多重共线性检测

算相关系数矩阵

iris_demo <- iris[,-5] #选取除了第5个变量（species）之外的其他变量
cor(iris_demo)

2. 求矩阵条件数（kappa值）

kappa(cor(iris_demo))

3. 求解相关系数矩阵的特征值与相应的特征根

eigen(cor(iris_demo))

（二）多元回归

1. 多元最小二乘回归

lm_iris <- lm(iris$Petal.Length~.,data = iris_demo)
summary(lm_iris)

2. 逐步回归

st_iris <- step(m_iris,derection = "both")
summary(st_iris)

（三）回归诊断

lm.res = residuals(lm_iris)
shapiro.test(lm.res)

st.res = residuals(st_iris)
shapiro.test(st.res)

四、模型评价-常用的准则统计量

计量体系中，ESS（Explained Sum Squares）表示可解释（回归）平方和，RSS（Residual Sum Squares）表示残差平方和

多元统计体系中，SSR（Sum of Squares Regression）为回归平方和，SSE（Sum of Squares Error）表示误差平方和

总结：SST = TSS，ESS = SSR，RSS = SSE

T S S = E S S + R S S ; S S T = S S R + S S E TSS = ESS +RSS; SST= SSR + SSE TSS=ESS+RSS;SST=SSR+SSE
E S S = S S R = Σ ( y ^ i − y ˉ i ) 2 ESS = SSR = \Sigma(\hat{y}_i - \bar{y}_i)^2 ESS=SSR=Σ(y^i−yˉi)2
R S S = S S E = Σ ( y i − y ^ i ) 2 RSS = SSE = \Sigma(y_i - \hat{y}_i)^2 RSS=SSE=Σ(yi−y^i)2
n 表示自由度

拟合优度，越大越好
R 2 = E S S T S S R^2 = \frac{ESS}{TSS} R2=TSSESS
调整的样本决定系数，越大越好
R ˉ 2 = 1 − ( 1 − R 2 ) n − 1 n − k − 1 \bar{R}^2 = 1-(1-R^2)\frac{n-1}{n-k-1} Rˉ2=1−(1−R2)n−k−1n−1
均方误差RMS，越小越好
R M S = R S S × 1 n − k − 1 RMS = RSS \times \frac{1}{n-k-1} RMS=RSS×n−k−11
赤池信息标准AIC，越小越好
A I C = e x p ( 2 ( k + 1 ) n ) R S S n AIC = exp(\frac{2(k+1)}{n})\frac{RSS}{n} AIC=exp(n2(k+1))nRSS
施瓦茨信息标准SC，越小越好
S C = n k + 1 n R S S n SC = n^{\frac{k+1}{n}}\frac{RSS}{n} SC=nnk+1nRSS
C p C_p Cp标准，越小越好
C p = R S S q σ ^ u 2 − [ n − 2 ( q + 1 ) ] C_p = \frac{RSS_q}{\hat\sigma^2_u} - [ n-2(q+1)] Cp=σ^u2RSSq−[n−2(q+1)]
R S S q RSS_q RSSq：包含q个自变量的自己回归的残差平方和
σ ^ u 2 = R S S n − k − 1 \hat\sigma^2_u = \frac{RSS}{n-k-1} σ^u2=n−k−1RSS：包含所有k个自变量时的均方误差
n − 2 ( q + 1 ) n-2(q+1) n−2(q+1)：自由度惩罚因子

R语言计量（一）：一元线性回归与多元线性回归分析相关推荐

rstudio线性回归_R语言统计分析（一元线性回归和多元线性回归）
数据表2 2003-2012某省运输业相关数据年份投资总额 (亿元) 从业人数 (万人) 能源投入 (万吨标准煤) 地区GDP (亿元) CO2排放量 (万吨) 2003年 320.1 166. ...
matlab一元线性回归及多元线性回归方程
1.案例 %%1.bint表示回归系数区间估计可参考http://www.360doc.com/content/11/0801/20/2537127_137246007.shtml %2.r表示残差 ...
matlab重复线性回归,（MATLAB）一元线性回归和多元线性回归
(MATLAB)一元线性回归和多元线性回归 (MATLAB)一元线性回归和多元线性回归 (MATLAB)一元线性回归和多元线性回归1.一元线性回归 2.多元线性回归2.1数据说明 2.2程序运行结果 ...
一元线性回归与多元线性回归
线性回归action精讲线性回归是利用数理统计中回归分析,来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法,运用十分广泛.其表达形式为y = w'x+e,e为误差服从均值为0的正态分布 ...
机器学习：回归分析—— 一元线性回归、多元线性回归的简单实现
回归分析回归分析概述基本概念可以解决的问题基本步骤和分类线性回归一元线性回归多元线性回归回归分析概述基本概念回归分析是处理多变量间相关关系的一种数学方法.相关关系不同于函数关系,后 ...
（MATLAB）一元线性回归和多元线性回归
(MATLAB)一元线性回归和多元线性回归 1.一元线性回归 2.多元线性回归 2.1数据说明 2.2程序运行结果 1.一元线性回归直接看代码,目标是建立 y y y和 x x x的函数关系,即求 ...
R语言案例分析：财政收入的多元相关与回归分析
R语言案例分析:财政收入的多元相关与回归分析数据集下载 (mvcase3.xls)中的表Case3. y:财政收入 x1:国内生产总值 x2:能源消费总量 x3:从业人员总数 x4:全社会固 ...
R语言使用lm构建线性回归模型、并将目标变量对数化（log10）实战：可视化模型预测输出与实际值对比图、可视化模型的残差、模型预测中系统误差的一个例子、自定义函数计算R方指标和均方根误差RMSE
R语言使用lm构建线性回归模型.并将目标变量对数化(log10)实战:可视化模型预测输出与实际值对比图.可视化模型的残差.模型预测中系统误差的一个例子 .自定义函数计算R方指标和均方根误差RMSE 目 ...
R语言使用lm构建线性回归模型、并将目标变量对数化实战：可视化模型预测输出与实际值对比图、可视化模型的残差、模型系数（coefficient）、模型总结信息（summary）、残差总结信息
R语言使用lm构建线性回归模型.并将目标变量对数化(log10)实战:可视化模型预测输出与实际值对比图.可视化模型的残差.模型系数(coefficient).模型总结信息(summary).残差总结信 ...

R语言计量（一）：一元线性回归与多元线性回归分析