R软件一元线性回归分析(非常详细)

1、R软件一元线性回归分析合金钢强度与碳含量的数据碳含量合金钢强度10.1042.020.1143.030.1245.040.1345.050.1445.060.1547.570.1649.080.1753.090.1850.0100.2055.0110.2155.0120.2360.0/10 7pa序号/%这里取碳含量为是普通变量，取合金钢强度为y是随机变量使用R软件对以上数据绘出散点图程序如下:x=matrix(c(0.1,42,0.11,43,0.12,45,0.13,45,0.14,45,0.15,47.5,0.16,49,0.17,53,0.18,50,0.2,55,0.21,55,0.

2、23,60), nrow=12, ncol=2,byrow=T,dim names=list(1:12,c("C","E") >out pu tcost=as.data.frame(x) >p lot(out putcost$C,out pu tcost$E)E o u u50.100.120.140.160.180.200.220out pu tcost$C很显然这些点基本上（但并不精确地）落在一条直线上。F面在之前数据录入的基础上做回归分析（程序接前文，下同）> lm.sol = lm(EC,data = out pu tcost)

3、 >summary(lm.sol)得到以下结果:Call: lm(formula = E - C, data = out pu tcost)Min1Q Median3QMaxResiduals:-2.00449 -0.63600 -0.024010.712972.32451Coefficie nts:Estimate Std. Error t value P r(>|t|)(In terce pt)28.0831.56717.92 6.27e-09 *132.8999.60613.84 7.59e-08 *Sign if. codes:0 *0.001*' 0.010.05

4、0.1Residual sta ndard error: 1.309 on 10 degrees of freedomMult ip le R-squared: 0.9503,Adjusted R-squared: 0.9454F-statistic: 191.4 on 1 and 10 DF,p-value: 7.585e-08由计算结果分析:常数项0 = 28.083，变量(即碳含量)的系数1=132.899得到回归方程：y =28.083+132.899x由于回归模型建立使用的是最小二乘法，而最小二乘法只是种单纯的数学方法，存在着一定的缺陷，即不论变量间有无相关关系或有无显著线性相关关系

5、，用最小二乘法都可以找到一条直线去拟合变量间关系。所以回归模型建立之后，还要对其进行显著性检验在上面的结果中sd( 0)=1.567，sd( 1)=9.606。而对应于两个系数的P值6.27e-09和7.59e-08，故是非常显著的。关于方程的检验，残差的标准差=1.309。相关系数的平方R2 =0.9503。关于F分布的P值为7.585e-08，也是非常显著的。我们将得到的直线方程画在散点图上，程序如下:> abli ne(lm.sol)得到散点图及相应的回归直线:EESOgupuo0 -5 =55oo0.100.120.140.200.220.16 0.18out pu tcost$

6、CF面分析残差:在R软件中，可用函数residuals()计算回归方程的残差。程序如下:> y.res二residuals(lm.sol);P lot(y.res)得到残差图SFy2248106Index122o从残差图可以看出，第8个点有些反常，这样我们用程序将第 8个点的残差标出，程序如下:>text(8,y.res8,labels=8,adj=1.2)spy2o2-112这个点可能有问题，下面做简单处理，去掉该样本点，编程如下:>i=1:12;out pu tcost2二as.data.frame(xi!=8,)lm2=lm(EC,data=out pu tcost2)

7、summary(lm2)结果输出如下:Call:lm(formula = E C, data = out pu tcost2)Residuals:Min1Q Median3QMax-1.7567 -0.5067 -0.13080.68211.6787Multi pie R-squared: 0.966,Adjusted R-squared: 0.9622Coefficie nts:Estimate Std. Error t value P r(>|t|)(In terce pt)28.1241.33521.06 5.75e-09 *131.2938.21715.98 6.51e-08 *

8、Sign if. codes:0 *0.001*' 0.010.050.1Residual sta ndard error: 1.115 on 9 degrees of freedomp-value: 6.506e-08F-statistic: 255.3 on 1 and 9 DF,由结果分析，去掉第8个点之后，回归方程系数变化不大，R2相关系数有所提高，并且p-值变小了，这说明样本点8可以去掉。所得新模型较为理想。总结程序如下:x2=matrix(c(0.1,42,0.11,43,0.12,45,0.13,45,0.14,45,0.15,47.5,0.16,49 ,0.18,50,

9、0.2,55,0.21,55,0.23,60), nrow=11, ncol=2,byrow=T,dim names=list(1:11,c("C","E")>out pu tcost=as.data.frame(x2)>pl ot(out pu tcost$C,out pu tcost$E)>lm.sol = lm(EC,data = out pu tcost)>summary(lm.sol)Call:lm(formula = E - C, data = out pu tcost)Residuals:Min1Q Median3QMax-1.7567 -0.5067 -0.13080.68211.6787Coefficie nts:Estimate Std. Error t value Pr(>|t|)(In terce pt)28.1241.33521.06 5.75e-09 *131.2938.21715.98 6.51e-08 *Signif. codes:0 * '0.001 *'0.010.050.1Residual sta ndard error: 1.115 on 9 degrees of freedomMult