R语言分段回归 数据分析 案例报告(附代码数据)

R语言分段回归数据数据分析案例报告

#读取数据

data=read.csv("artificial-cover.csv")

#查看部分数据

head(data)##tree.covershurb.grass.cover

##113.216.8

##217.221.8

##345.448.8

##453.658.7

##558.555.5

##663.347.2#######先调用spline包

library(splines)

###########用lm拟合，主要注意部分是bs（age,knots=c(...)）这部分把自变量分成不同部分

fit=lm(tree.cover~bs(shurb.grass.cover,knots=c(25,40,60)),data=data)

############进行预测，预测数据也要分区

pred=predict(fit,newdata=list(shurb.grass.cover=data$shurb.grass.cover),se=T)

#############然后画图

plot(fit)#可以构造一个相对复杂的LOWESS模型（span参数取小一些），然后和一个简单的模型比较，如：

x<-data$shurb.grass.cover

y<-data$tree.cover

plot(x,y,type="l",col=2)fit3=loess(y~x,span=0.2)

fit4=loess(y~1+x+I(x>30)+I((x-30)*(x>30)),

span=1,degree=1)

par(mar=c(4,4,0,0),family="serif",mgp=c(2,1,0))

plot(x,y,pch=20,col="darkgray")

lines(x,fitted(fit3),lwd=2,col=2)

lines(x,fitted(fit4),lwd=2,lty=2)

library(ggplot2)##Warning:package'ggplot2'wasbuiltunderRversion3.3.3qplot(x,y)+geom_smooth()#总趋势##`geom_smooth()`usingmethod='loess'qplot(x,y,group=x>30)+geom_smooth()+theme(panel.background=element_rect(fill='white',colour='black'))#按30前后分组##`geom_smooth()`usingmethod='loess'#其他数据

#读取数据

data=read.csv("其他数据.csv")

#查看部分数据

data=data[,1:4]

head(data)##yearSoilvegetationSEM

##11999-3.483724-2.5288362.681003

##21999-3.452582-2.4180492.348640

##31999-3.350827-2.5905522.696037

##41999-3.740395-2.9338483.627112

##51999-3.465906-2.6942112.333755

##61999-3.381802-2.7881542.656276#####因变量Soil

#######先调用spline包

library(splines)

###########用lm拟合，主要注意部分是bs（age,knots=c(...)）这部分把自变量分成不同部分

fit=lm(Soil~bs(vegetation,knots=c(-2,0,1)),data=data)

############进行预测，预测数据也要分区

pred=predict(fit,newdata=list(vegetation=data$vegetation),se=T)

#############然后画图

plot(fit)#可以构造一个相对复杂的LOWESS模型（span参数取小一些），然后和一个简单的模型比较，如：

x<-data$vegetation

y<-data$Soil

plot(x,y,type="l",col=2)fit3=loess(y~x,span=0.2)

fit4=loess(y~1+x+I(x>0)+I((x-0)*(x>0)),

span=1,degree=1)

par(mar=c(4,4,0,0),family="serif",mgp=c(2,1,0))

plot(x,y,pch=20,col="darkgray")

lines(x,fitted(fit3),lwd=2,col=2)

lines(x,fitted(fit4),lwd=2,lty=2)library(ggplot2)

qplot(x,y)+geom_smooth()+theme(panel.background=element_rect(fill='white',colour='black'))#按30前后分组##`geom_smooth()`usingmethod='loess'#总趋势

qplot(x,y,group=x>0)+geom_smooth()+theme(panel.background=element_rect(fill='white',colour='black'))#按30前后分组##`geom_smooth()`usingmethod='loess'#按0前后分组

#####因变量SEM

#######先调用spline包

library(splines)

###########用lm拟合，主要注意部分是bs（age,knots=c(...)）这部分把自变量分成不同部分

fit=lm(SEM~bs(vegetation,knots=c(-2,0,1)),data=data)

############进行预测，预测数据也要分区

pred=predict(fit,newdata=list(vegetation=data$vegetation),se=T)

#############然后画图

plot(fit)#可以构造一个相对复杂的LOWESS模型（span参数取小一些），然后和一个简单的模型比较，如：

x<-data$vegetation

y<-data$SEM

plot(x,y,type="l",col=2)fit3=loess(y~x,span=0.2)

fit4=loess(y~1+x+I(x>0)+I((x-0)*(x>0)),

span=1,degree=1)

par(mar=c(4,4,0,0),family="serif",mgp=c(2,1,0))

plot(x,y,pch=20,col="darkgray")

lines(x,fitted(fit3),lwd=2,col=2)

lines(x,fitted(fit4),lwd=2,lty=2)library(ggplot2)

qplot(x,y)+geom_smooth()+theme(panel.background=element_rect(fill='white',colour='black'))#按30前后分组##`geom_smooth()`usingmethod='