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）关于自变量的：不存在共线性；3）关于模型的：模型设定正确。
用 glm 函数建立广义线性模型，用参数 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
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]
Logistic回归在做风险评估时，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）。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！
