r語言怎麼做回歸程序

1. 如何用R語言做線性相關回歸分析

cor()函數可以提供雙變數之間的相關系數，還可以用scatterplotMatrix()函數生成散點圖矩陣

不過R語言沒有直接給出偏相關舉舉態的函數；
我們要是做的答中話，要先調用cor.test()對變數進行Pearson相關性分析，
得到簡單相關系數，然後做正源t檢驗，判斷顯著性。

2. R語言之逐步回歸

R語言之逐步回歸
逐步叢轎回歸就是從自變數x中挑選出對y有顯著影響的變數，已達到最優
用step()函數
導入數據集
cement<橋頃-data.frame(
X1=c( 7, 1, 11, 11, 7, 11, 3, 1, 2, 21, 1, 11, 10),
X2=c(26, 29, 56, 31, 52, 55, 71, 31, 54, 47, 40, 66, 68),
X3=c( 6, 15, 8, 8, 6, 9, 17, 22, 18, 4, 23, 9, 8),
X4=c(60, 52, 20, 47, 33, 22, 6, 44, 22, 26, 34, 12, 12),
Y =c(78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7, 72.5,
93.1,115.9, 83.8, 113.3, 109.4)
)
> lm.sol<-lm(Y ~ X1+X2+X3+X4, data=cement)
> summary(lm.sol)
Call:
lm(formula = Y ~ X1 + X2 + X3 + X4, data = cement)
Resials:
Min 1Q Median 3Q Max
-3.1750 -1.6709 0.2508 1.3783 3.9254
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 62.4054 70.0710 0.891 0.3991
X1 1.5511 0.7448 2.083 0.0708 .
X2 0.5102 0.7238 0.705 0.5009
X3 0.1019 0.7547 0.135 0.8959
X4 -0.1441 0.7091 -0.203 0.8441
---
Signif. codes: 0 『***』 0.001 『**』 0.01 『*』 0.05 『.』 0.1 『 』 1
Resial standard error: 2.446 on 8 degrees of freedom
Multiple R-squared: 0.9824,Adjusted R-squared: 0.9736
F-statistic: 111.5 on 4 and 8 DF, p-value: 4.756e-07
可以看滲消肆出效果不明顯
所以要進行逐步回歸進行變數的篩選有forward：向前，backward:向後，both：2邊，默認情況both
lm.step<-step(lm.sol)
Start: AIC=26.94
Y ~ X1 + X2 + X3 + X4

Df Sum of Sq RSS AIC
- X3 1 0.1091 47.973 24.974
- X4 1 0.2470 48.111 25.011
- X2 1 2.9725 50.836 25.728
<none> 47.864 26.944
- X1 1 25.9509 73.815 30.576

Step: AIC=24.97
Y ~ X1 + X2 + X4

Df Sum of Sq RSS AIC
<none> 47.97 24.974
- X4 1 9.93 57.90 25.420
- X2 1 26.79 74.76 28.742
- X1 1 820.91 868.88 60.629
> lm.step$anova
Step Df Deviance Resid. Df Resid. Dev AIC
1 NA NA 8 47.86364 26.94429
2 - X3 1 0.10909 9 47.97273 24.97388
顯然去掉X3會降低AIC
此時step()函數會幫助我們自動去掉X3
summary(lm.step)
Call:
lm(formula = Y ~ X1 + X2 + X4, data = cement)
Resials:
Min 1Q Median 3Q Max
-3.0919 -1.8016 0.2562 1.2818 3.8982
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 71.6483 14.1424 5.066 0.000675 ***
X1 1.4519 0.1170 12.410 5.78e-07 ***
X2 0.4161 0.1856 2.242 0.051687 .
X4 -0.2365 0.1733 -1.365 0.205395
---
Signif. codes: 0 『***』 0.001 『**』 0.01 『*』 0.05 『.』 0.1 『 』 1
Resial standard error: 2.309 on 9 degrees of freedom
Multiple R-squared: 0.9823,Adjusted R-squared: 0.9764
F-statistic: 166.8 on 3 and 9 DF, p-value: 3.323e-08
很顯然X2和X4效果不好
可以用add1()和drop1()函數進行增減刪除函數
> drop1(lm.step)
Single term deletions
Model:
Y ~ X1 + X2 + X4
Df Sum of Sq RSS AIC
<none> 47.97 24.974
X1 1 820.91 868.88 60.629
X2 1 26.79 74.76 28.742
X4 1 9.93 57.90 25.420
我們知道除了AIC標准外，殘差和也是重要標准，除去x4後殘差和變為9.93
更新式子
> lm.opt<-lm(Y ~ X1+X2, data=cement)
> summary(lm.opt)

Call:
lm(formula = Y ~ X1 + X2, data = cement)
Resials:
Min 1Q Median 3Q Max
-2.893 -1.574 -1.302 1.363 4.048
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 52.57735 2.28617 23.00 5.46e-10 ***
X1 1.46831 0.12130 12.11 2.69e-07 ***
X2 0.66225 0.04585 14.44 5.03e-08 ***
---
Signif. codes: 0 『***』 0.001 『**』 0.01 『*』 0.05 『.』 0.1 『 』 1

Resial standard error: 2.406 on 10 degrees of freedom
Multiple R-squared: 0.9787,Adjusted R-squared: 0.9744
F-statistic: 229.5 on 2 and 10 DF, p-value: 4.407e-09
顯然效果很好

3. 怎樣用r語言中做嶺回歸的程序包

（1）plot(lm.ridge(GDP~Consume+Investment+IO+Population+Jobless+Goods,
data=dat,lambda=seq(0,0.3,0.001))) # 和線性回歸腔亮掘類似，鍵族這個plot可以畫出嶺跡圖，lambda=seq(0,0.3,0.001)設置范圍和間隔，可伍核以觀察嶺跡圖，人工選擇，但是這樣主觀性較強。

（2）select(lm.ridge(GDP~Consume+Investment+IO+Population+Jobless+Goods,
data=dat,lambda=seq(0,0.3,0.001))) #利用select 函數找出最優嶺參數lambda,會有三個值，任選一個即可。

lm.ridge(GDP~Consume+Investment+IO+Population+Jobless+Goods,
data=dat,lambda=0.09) #通過（1）或（2）把選取的lmbda 參數寫到嶺回歸函數中去，在這里lambda=0.09。

4. R語言怎麼做多因變數的多元線性回歸

舉個例子：

• 一般人在身高相等的情況下，血壓收縮壓Y與體重X1和年齡X2有關，抽取13組成年人數據（如下圖），構建Y與X1、X2的線性回歸關系。
  

從結果可以預測值Y166.7011和預測值Y的區間[157.2417,176,1605]

5. 如何在R語言中使用Logistic回歸模型

Logistic回歸寬談鄭在做風險評估時，一般採用二值邏輯斯蒂回歸（Binary Logistic Regression）。以滑坡災害風險評估為例。1、滑坡發生與否分別用0和1表示（1表示風險發生，0表示風險未發生）；2、確定影響滑坡風險的影響因子，這個根據區域具體情況而定，一般包括：地層岩性、植被、降水、地貌、斷層、人類慎頌活動等等。如果是其他風險的話也根據具體情況而定（咨詢專家就可以知道）侍銀。3、構建回歸分析的樣本。Logistic回歸也是統計學裡面的內容，所以必須得構建統計分析的樣本。以構建滑坡風險統計分析的樣本為例，先找出滑坡發生的地區，同時計算滑坡發生地區的各個影響因子的指標值。再選擇滑坡未發生的地區，同時計算滑坡未發生地區各個影響因子的指標值。這樣，就構建了統計樣本，自變數為各個影響因子的指標值，應變數為0和1,。把樣本導入SPSS裡面進行分析，就可以構建自變數和因變數之間的非線性關系模型，然後用這個模型繼續求解其他區域滑坡風險的概率值。
希望我的答案對你能有幫助！

6. 急求~~如何使用R語言擬合負二項回歸以及零膨脹回歸

我是用的pscl包，zeroinfl()函數
零膨脹負二項模型跡皮（ZINB）
mod <- zeroinfl(ReportedNumber~ A+B+C+D+E | F+G+H+I, data = zinb, dist = "negbin"哪肢, EM = TRUE)
ZINB模型由點模型和零膨脹模型兩部分結合而成，ABCDE是點模型內變數， 影響因變數發生次數的多少，FGHI是零膨脹模型內變數，決定因變數是否能夠發生（為0還是非0）。
http://www.ats.ucla.e/stat/r/dae/zinbreg.htm 這個網站里李州世講的很清楚

7. 逐步回歸的R語言實現

逐步回歸的R語言實現
定義類型
向前引入法
從一元回歸開始，逐步增加變數，使指埋轎山標值達到最優為止
相互刪除法
從全變數回歸方程開始，逐步刪去某個變數，使指標值達到最優為止
逐步篩選法
綜合上述方法
衡量標准

R2：越大越好
AIC：越小越好
step()

usage:

step(object, scope, scale = 0,
direction = c("both", "backward", "forward"),
trace = 1, keep = NULL, steps = 1000, k = 2, ...)
這個函數可以用來對已建立的lm or glm model進行逐步回歸分析。
其中，direction分為」both」, 「backward」, 「forward」，分別表示逐步篩選、向後、向前三種方法。
注意，這個函數篩選彎中的依據是AIC，而不是R2。
example:
最後
鑒於step()有時候會出現莫名其妙的錯誤，因此再介紹一個可以做逐步回歸的手帆槐工方法。
add1()
drop1()

8. R語言中如何根據coef()寫出回歸模型的程序

coef不是寫成回歸模型的程序，而是讀孫稿取你之前構建的模型回歸系數。
比如mylogit <- glm(admit ~ gre + gpa + rank, data = mydata, family = "binomial")

你構建了logistic回歸模型並把模型數據儲存在mylogit這個對象裡面。

coef(mylogit)就會顯示回歸方程則賀孝的回歸系數。 你也拍旅可以print(mylogit)看看有什麼不同。

9. R語言學習DAY04：回歸分析

R本身是一門統計語言，主要用於統計分析，前面的語法部分算是基礎，接下來開始進入統計模型應用。首先從最常用的回歸分析說起。
有關線性回歸分析模型的基本假定需要注意：1）關於隨機干擾項的高斯-馬爾科夫定理；2）關於自變消段量的：不存在共線性；3）關於模型的：模型設定正確。

用鏈閉 glm 函數建立廣義線性模型，用參數棚橋裂 family 指定分布類型，logistic模型指定為binomial
用 predict 函數進行預測， predict(model, data, type = 'response'
此外，還可以用 mlogit 包中的 mlogit 函數做多分類變數logistic回歸， rms 包中的 lrm 函數做順序變數logistic回歸， glmnet 包中的 glmnet 函數做基於正則化的logistic回歸

10. 怎麼用R語言編寫一個完整的多元線性回歸方程

）attach(byu)

lm(salary ~ age+exper)

lm(salary~.,byu) #利用全部自備襪變數做線性回歸

lm()只能得出回歸系數，要想得到更為詳盡的回仿虛激歸信息，應該將結果作為數據保存或者使用「擬合模型」（fitted model）

result<-lm(salary~age+ exper + age*exper, data=byu)

summary(result)

myresid<-result$resid #獲得殘差

vcov(result) ＃針對於擬合後的模型計算方差－協方差矩陣

shapiro.test(b) #做殘差的正太性譽橋檢驗

qqnorm(bres);qqline(bres) #做殘差