线性回归

回归

通常指那些用一个或多个预测变量，也称自变量或者解释变量，预测响应变量（因变量，效应变量或者结果变量）的方法，可以用来挑选与响应变量相关的解释变量，，可以描述两者的关系，也可以生成一个等式，通过解释变量来预测响应变量。

回归案例 在道路建设工程中，铺路表面积与表面盐度有什么关系

在教育环境中，哪些因素能够影响到学生的成绩

过量糖分与盐分摄入对身体有哪些影响

万达广场的建设与周边房价有什么影响？

回归重要问题 如何建立模型-抽象出数学公式-哪些因素与模型有关-样本量多少-模型准确度多高-实际应用中是否有效

以下是代码部分

women
plot(weight~height,data = women) #绘制散点图
x <- lm(weight~height,women)
summary(x) #查看详细的回归分析结果 #首先看F统计量，是否小于0.05，再看R方，能解释多少预测变量
xresiduals
?lm

查看回归各种值得函数

coefficients(x) #查看回归系数与截距值
confint(x) #查看置信区间
confint(x,level = 0.5) #限定两侧50置信区间
fitted(x) #查看拟合（预测）值
womenheight,womenheight,fitted(fit2),col="red") #添加height与二次项拟合值得曲线
fit3 <- lm(weight~height+I(height^2)+I(height3),data = women)
library(car)
args(scatterplot)
?scatterplot
par() #查看图形默认参数
scatterplot(weight~height,data = women,smooth=F,
pch=16,main="Women Age 30-39",
xlab = "height",ylab = "weight") #pch设置点的形状
summary(fit3)
plot(weight~height,data = women)
abline(x)
lines(womenheight,fitted(fit3),col="green") #比较三条曲线的拟合效果