r语言怎么做回归程序

1. 如何用R语言做线性相关回归分析

cor()函数可以提供双变量之间的相关系数，还可以用scatterplotMatrix()函数生成散点图矩阵

不过R语言没有直接给出偏相关举举态的函数；
我们要是做的答中话，要先调用cor.test()对变量进行Pearson相关性分析，
得到简单相关系数，然后做正源t检验，判断显着性。

2. R语言之逐步回归

R语言之逐步回归
逐步丛轿回归就是从自变量x中挑选出对y有显着影响的变量，已达到最优
用step()函数
导入数据集
cement<桥顷-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
可以看渗消肆出效果不明显
所以要进行逐步回归进行变量的筛选有forward：向前，backward:向后，both：2边，默认情况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
显然去掉X3会降低AIC
此时step()函数会帮助我们自动去掉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
很显然X2和X4效果不好
可以用add1()和drop1()函数进行增减删除函数
> 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
我们知道除了AIC标准外，残差和也是重要标准，除去x4后残差和变为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
显然效果很好

3. 怎样用r语言中做岭回归的程序包

（1）plot(lm.ridge(GDP~Consume+Investment+IO+Population+Jobless+Goods,
data=dat,lambda=seq(0,0.3,0.001))) # 和线性回归腔亮掘类似，键族这个plot可以画出岭迹图，lambda=seq(0,0.3,0.001)设置范围和间隔，可伍核以观察岭迹图，人工选择，但是这样主观性较强。

（2）select(lm.ridge(GDP~Consume+Investment+IO+Population+Jobless+Goods,
data=dat,lambda=seq(0,0.3,0.001))) #利用select 函数找出最优岭参数lambda,会有三个值，任选一个即可。

lm.ridge(GDP~Consume+Investment+IO+Population+Jobless+Goods,
data=dat,lambda=0.09) #通过（1）或（2）把选取的lmbda 参数写到岭回归函数中去，在这里lambda=0.09。

4. R语言怎么做多因变量的多元线性回归

举个例子：

• 一般人在身高相等的情况下，血压收缩压Y与体重X1和年龄X2有关，抽取13组成年人数据（如下图），构建Y与X1、X2的线性回归关系。
  

从结果可以预测值Y166.7011和预测值Y的区间[157.2417,176,1605]

5. 如何在R语言中使用Logistic回归模型

Logistic回归宽谈郑在做风险评估时，一般采用二值逻辑斯蒂回归（Binary Logistic Regression）。以滑坡灾害风险评估为例。1、滑坡发生与否分别用0和1表示（1表示风险发生，0表示风险未发生）；2、确定影响滑坡风险的影响因子，这个根据区域具体情况而定，一般包括：地层岩性、植被、降水、地貌、断层、人类慎颂活动等等。如果是其他风险的话也根据具体情况而定（咨询专家就可以知道）侍银。3、构建回归分析的样本。Logistic回归也是统计学里面的内容，所以必须得构建统计分析的样本。以构建滑坡风险统计分析的样本为例，先找出滑坡发生的地区，同时计算滑坡发生地区的各个影响因子的指标值。再选择滑坡未发生的地区，同时计算滑坡未发生地区各个影响因子的指标值。这样，就构建了统计样本，自变量为各个影响因子的指标值，应变量为0和1,。把样本导入SPSS里面进行分析，就可以构建自变量和因变量之间的非线性关系模型，然后用这个模型继续求解其他区域滑坡风险的概率值。
希望我的答案对你能有帮助！

6. 急求~~如何使用R语言拟合负二项回归以及零膨胀回归

我是用的pscl包，zeroinfl()函数
零膨胀负二项模型迹皮（ZINB）
mod <- zeroinfl(ReportedNumber~ A+B+C+D+E | F+G+H+I, data = zinb, dist = "negbin"哪肢, EM = TRUE)
ZINB模型由点模型和零膨胀模型两部分结合而成，ABCDE是点模型内变量， 影响因变量发生次数的多少，FGHI是零膨胀模型内变量，决定因变量是否能够发生（为0还是非0）。
http://www.ats.ucla.e/stat/r/dae/zinbreg.htm 这个网站里李州世讲的很清楚

7. 逐步回归的R语言实现

逐步回归的R语言实现
定义类型
向前引入法
从一元回归开始，逐步增加变量，使指埋轿山标值达到最优为止
相互删除法
从全变量回归方程开始，逐步删去某个变量，使指标值达到最优为止
逐步筛选法
综合上述方法
衡量标准

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, ...)
这个函数可以用来对已建立的lm or glm model进行逐步回归分析。
其中，direction分为”both”, “backward”, “forward”，分别表示逐步筛选、向后、向前三种方法。
注意，这个函数筛选弯中的依据是AIC，而不是R2。
example:
最后
鉴于step()有时候会出现莫名其妙的错误，因此再介绍一个可以做逐步回归的手帆槐工方法。
add1()
drop1()

8. R语言中如何根据coef()写出回归模型的程序

coef不是写成回归模型的程序，而是读孙稿取你之前构建的模型回归系数。
比如mylogit <- glm(admit ~ gre + gpa + rank, data = mydata, family = "binomial")

你构建了logistic回归模型并把模型数据储存在mylogit这个对象里面。

coef(mylogit)就会显示回归方程则贺孝的回归系数。 你也拍旅可以print(mylogit)看看有什么不同。

9. R语言学习DAY04：回归分析

R本身是一门统计语言，主要用于统计分析，前面的语法部分算是基础，接下来开始进入统计模型应用。首先从最常用的回归分析说起。
有关线性回归分析模型的基本假定需要注意：1）关于随机干扰项的高斯-马尔科夫定理；2）关于自变消段量的：不存在共线性；3）关于模型的：模型设定正确。

用链闭 glm 函数建立广义线性模型，用参数棚桥裂 family 指定分布类型，logistic模型指定为binomial
用 predict 函数进行预测， predict(model, data, type = 'response'
此外，还可以用 mlogit 包中的 mlogit 函数做多分类变量logistic回归， rms 包中的 lrm 函数做顺序变量logistic回归， glmnet 包中的 glmnet 函数做基于正则化的logistic回归

10. 怎么用R语言编写一个完整的多元线性回归方程

）attach(byu)

lm(salary ~ age+exper)

lm(salary~.,byu) #利用全部自备袜变量做线性回归

lm()只能得出回归系数，要想得到更为详尽的回仿虚激归信息，应该将结果作为数据保存或者使用“拟合模型”（fitted model）

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

summary(result)

myresid<-result$resid #获得残差

vcov(result) ＃针对于拟合后的模型计算方差－协方差矩阵

shapiro.test(b) #做残差的正太性誉桥检验

qqnorm(bres);qqline(bres) #做残差