R語言線性回歸案例報告

R初始指令

安裝“汽車”包：install.packages（“汽車”）加載庫汽車library("car")加載汽車中的數據：數據（Salaries，package=“car”）查看您的辦公桌上的數據（屏幕）：它所表示的薪水視圖（幫助）和數據描述：help（薪水）

變量的確切名稱：名稱（薪金）datos<-Salariesnames(datos)##[1]"rank""discipline""yrs.since.phd""yrs.service"##[5]"sex""salary"考慮誰是定量和定性的變量head(datos)##rankdisciplineyrs.since.phdyrs.servicesexsalary##1ProfB1918Male139750##2ProfB2016Male173200##3AsstProfB43Male79750##4ProfB4539Male115000##5ProfB4041Male141500##6AssocProfB66Male97000分散圖

雖然有些變量不是量化的，但相反，它們是絕對的，例如秩序是有序的，我們將要制作離散圖pairs(datos,col="blue")考慮到圖表，我們將運行變量之間的簡單回歸模型：“yrs.since.phd”“yrs.service”，但首先讓我們來回顧一下變量之間的相關性。

因此，我們要確定假設正態性的相關系數cor(datos$yrs.since.phd,datos$yrs.service)##[1]0.9096491考慮到這兩個變量之間的相關性高，解釋結果regresion<-lm(yrs.since.phd~yrs.service,data=datos)regresion####Call:##lm(formula=yrs.since.phd~yrs.service,data=datos)####Coefficients:##(Intercept)yrs.service##6.43840.9013結果

因變量yrs.since.phd的選擇是正確的，請解釋為什么編寫表單的模型：y=intercept+oendiente*x

解釋截距和斜率summary(regresion)####Call:##lm(formula=yrs.since.phd~yrs.service,data=datos)####Residuals:##Min1QMedian3QMax##-11.518-3.748-1.5502.52224.450####Coefficients:##EstimateStd.ErrortvaluePr(>|t|)##(Intercept)6.438380.4532314.21<2e-16***##yrs.service0.901320.0207143.52<2e-16***##---##Signif.codes:0'***'0.001'**'0.01'*'0.05'.'0.1''1####Residualstandarderror:5.36on395degreesoffreedom##MultipleR-squared:0.8275,AdjustedR-squared:0.827##F-statistic:1894on1and395DF,p-value:<2.2e-16假設檢驗

根據測試結果，考慮到p值=2e-16，是否拒絕了5％的顯著性值的假設？

斜率為零根據測試結果，考慮到p值=2e-16，關于斜率的假設是否被拒絕了5％的顯著性值？

考慮到變量yrs.service在模型中是重要的

模型和測試調整

考慮到R的平方值為0.827，你認為該模型具有良好的線性擬合？

解釋調整的R平方值考慮到驗證數據與模型擬合的測試由F統計得到：1894在1和395DF，p值：<2.2e-16認為模型符合調整？

##使用模型進行估計為變量x的以下值查找yrs.since.phd的估計值：x<-c(12,11,35)x##[1]121135Graficasdelmodeloplot(datos$yrs.service,datos$yrs.since.phd,xlab="a?osdeserivio",ylab="a?osdePhD",col="red")abline(regresion)ValidacióndelmodeloEnestecasosedeseadeterminarlosresiduos(error)entreelmodeloyloobservadoyversilosresiduoscumplencon:1.Tenermedia=02.Varianza=constante3.Sedistribuyennormal(0,constante)Losresiduossegeneranacontinuación(porfacilidadsologeneramoslosprimeros20[1:20])residuos<-rstandard(regresion)residuos[1:20]##123456##-0.68414645-0.16058147-0.962189840.63921055-0.63640410-1.09326547##789101112##0.52900688-0.37536060-0.64730590-0.87095822-0.30826102-0.23226232##131415161718##-1.18678371-0.83107204-0.497334670.53469705-1.020944940.17157280##1920##1.836971730.02133757Valoresajustados,esdecirelvalordelavariableydad0porelmodelo(porfacilidadsologeneramoslosprimeros20[1:20])valores.ajustados<-fitted(regresion)valores.ajustados[1:20]##1234567##22.66222320.8595749.14235241.59004443.39269311.84632627.168847##891011121314##46.99799324.46487322.66222313.6489768.2410277.3397026.438377##151617181920##22.6622239.14235224.46487337.08342027.16884738.886070Pruebadenormalidad,utilizamoslapruebaQQquepermitededucirsilosdatosseajustanalanormal(silosdatosestancercadelalínea)qqnorm(residuos,col="blue")qqline(residuos,col="red")ValidacióndelmodeloEnestecasosedeseadeterminarlosresiduos(error)entreelmodeloyloobservadoyversilosresiduoscumplencon:1.Tenermedia=02.Varianza=constante3.Sedistribuyennormal(0,constante)Losresiduossegeneranacontinuación(porfacilidadsologeneramoslosprimeros20[1:20])residuos<-rstandard(regresion)residuos[1:20]##123456##-0.68414645-0.16058147-0.962189840.63921055-0.63640410-1.09326547##789101112##0.52900688-0.37536060-0.64730590-0.87095822-0.30826102-0.23226232##131415161718##-1.18678371-0.83107204-0.497334670.53469705-1.020944940.17157280##1920##1.836971730.02133757Valoresajustados,esdecirelvalordelavariableydad0porelmodelo(porfacilidadsologeneramoslosprimeros20[1:20])valores.ajustados<-fitted(regresion)valores.ajustados[1:20]##1234567##22.66222320.8595749.14235241.59004443.39269311.84632627.168847##891011121314##46.99799324.46487322.66222313.6489768.2410277.3397026.438377##151617181920##22.6622239.14235224.46487337.08342027.1688473