R语言线性回归分析案例报告 附代码数据

R语言线性回归案例报告

R初始指令

安装“汽车”包：install.packages（“汽车”）加载库汽车library("car")加载汽车中的数据：数据（Salaries，package=“car”）查看您的办公桌上的数据（屏幕）：它所表示的薪水视图（帮助）和数据描述：help（薪水）

变量的确切名称：名称（薪金）datos<-Salariesnames(datos)##[1]"rank""discipline""yrs.since.phd""yrs.service"##[5]"sex""salary"考虑谁是定量和定性的变量head(datos)##rankdisciplineyrs.since.phdyrs.servicesexsalary##1ProfB1918Male139750##2ProfB2016Male173200##3AsstProfB43Male79750##4ProfB4539Male115000##5ProfB4041Male141500##6AssocProfB66Male97000分散图

虽然有些变量不是量化的，但相反，它们是绝对的，例如秩序是有序的，我们将要制作离散图pairs(datos,col="blue")考虑到图表，我们将运行变量之间的简单回归模型：“yrs.since.phd”“yrs.service”，但首先让我们来回顾一下变量之间的相关性。

因此，我们要确定假设正态性的相关系数cor(datos$yrs.since.phd,datos$yrs.service)##[1]0.9096491考虑到这两个变量之间的相关性高，解释结果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结果

因变量yrs.since.phd的选择是正确的，请解释为什么编写表单的模型：y=intercept+oendiente*x

解释截距和斜率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假设检验

根据测试结果，考虑到p值=2e-16，是否拒绝了5％的显着性值的假设？

斜率为零根据测试结果，考虑到p值=2e-16，关于斜率的假设是否被拒绝了5％的显着性值？

考虑到变量yrs.service在模型中是重要的

模型和测试调整

考虑到R的平方值为0.827，你认为该模型具有良好的线性拟合？

解释调整的R平方值考虑到验证数据与模型拟合的测试由F统计得到：1894在1和395DF，p值：<2.2e-16认为模型符合调整？

##使用模型进行估计为变量x的以下值查找yrs.since.phd的估计值：x<-c(12,11,35)x##[1]121135Graficasdelmodeloplot(datos$yrs.service,datos$yrs.since.phd,xlab="añosdeserivio",ylab="añosdePhD",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