R語言 多元線性回歸分析

#線性模型中有關函數
#基本函數 a<-lm(模型公式，數據源)
#anova(a)計算方差分析表
#coef(a)提取模型系數
#devinace(a)計算殘差平方和
#formula(a)提取模型公式
#plot(a)繪制模型診斷圖
#predict(a)用作預測
#print(a)顯示
#residuals()計算殘差
#setp()逐步回歸分析
#summary()提取模型資料

#多元線性回歸分析

#回歸系數的估計
#顯著性檢驗：

1回歸系數的顯著性檢驗 t檢驗 就是檢驗某個變量系數是否為0 

2回歸方程的顯著性檢驗 F檢驗 就是檢驗該數組數據是否能適用於線性方程做回歸

#1.載入數據 求回歸系數 並作顯著性檢驗

mltest<-data.frame(
  X1=c(76.0, 91.5, 85.5, 82.5, 79.0, 80.5, 74.5,
       79.0, 85.0, 76.5, 82.0, 95.0, 92.5),
  X2=c(50, 20, 20, 30, 30, 50, 60, 50, 40, 55,
       40, 40, 20),
  Y= c(120, 141, 124, 126, 117, 125, 123, 125,
       132, 123, 132, 155, 147)
  )
ML<-lm(Y~X1+X2,data=mltest)
summary(ML)
coef(ML)

#2.參數區間估計
#3.預測
#求X=(80,40)時相應Y的概率為0.95的預測區間

newdata<-data.frame(X1=80,X2=40)
lmpred<-predict(ML,newdata,interval="prediction",level=0.95)
lmpred

 

#4.修正擬合模型
#根據實際問題的背景 對模型進行適當的修正
#增加新的自變量 對響應變量取對數或者開方運算
update()函數