lm(salary ~ age+exper)
lm(salary~.,byu) #利用全部自变量做线性回归
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) #做残差的正太性检验
norm(bres)line(bres) #做残差
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。
1.先创建一个数据框blood:
blood<-data.frame(
X1=c(76,91.5,85.5,82.5,79,80.5,74.5,79,85,76.5,82,95,92.5),
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)
)
2.拟合线性回归:
lm.sol<-lm(Y~X1+X2,data=blood)
提取模型计算结果
summary(lm.sol)
这里说一下含义:
1、在计算结果的第一部分(call)列出了相应的回归模型公式;
2、第二部分(Residuals)列出了残差的最小值点、1/4分位点、3/4分位点、最大值点;
3、第三方部分(Coefficients)Estimate表示回归方程参数的估计,std.Error表示回归参数的标准差,t value 为t值,Pr(>|t|)表示p值
说明一下:***表示极为显著,**表示高度显著,*表示显著,.表示不太显著,没有记号表示不显著
4、第四部分(Residual standard error)表示残差的标准差,(F-statistic)表示F的统计量
通过上面的结果可以看出回归模型:Y=2.13656X1+0.40022X2-62.96336
我们根据得出的回归模型进行预测
例如:预测体重X1=100,年龄X2=40的血压值Y
newdata<-data.frame(X1=100,X2=40)
pre<-predict(lm.sol,newdata,interval="prediction",level=0.95)
pre
从结果可以预测值Y166.7011和预测值Y的区间[157.2417,176,1605]