R语言学习—6—多元相关与回归分析

1、引子

x=c(171,175,159,155,152,158,154,164,168,166,159,164)   #身高
y=c(57,64,41,38,35,44,41,51,57,49,47,46)               #体重
par(mar=c(5,4,2,1))   #设定图距离画布边缘的距离：下5，左4，上2，右1
plot(x,y)

在这里插入图片描述

2、相关系数假设检验

在这里插入图片描述

3、简单回归分析

在这里插入图片描述

4、案例

在这里插入图片描述

代码

install.packages("openxlsx")
library(openxlsx)d4.3=read.xlsx('adstats.xlsx','d4.3',rowNames=T);d4.3  #读取adstats.xlsx表格d4.3数据
fm=lm(y~x,data=d4.3)  #一元线性回归模型
fm                    #显示回归结果
summary(lm(x2~x1))    #左回归检验和系数检验
plot(y~x,data=d4.3)   #做散点图
abline(fm)            #添加回归线
anova(fm)             #模型方差分析
summary(fm)           #回归系数t检验

在这里插入图片描述

5、多元线性回归分析

（1）d4.4数据

在这里插入图片描述

（2）代码

d4.4=read.xlsx('adstats.xlsx','d4.4',rowNames=T);d4.4  #读取adstats.xlsx表格d4.4数据
plot(d4.4,gap=0)      #两两变量的散点图，参数gap为每个小图形之间的距离
pairs(d4.4,gap=0)     #绘制散点图
fm=lm(y~x1+x2+x3+x4,data=d4.4);fm   #建立多元回归模型coef.sd<-function(fm){  #标准回归系数b=fm$coef;bsi=apply(fm$model,2,sd);sibs=b[-1]*si[-1]/si[1]bs
}
coef.sd(fm)       #标准回归系数

（3）矩阵图

在这里插入图片描述

（4）回归模型

在这里插入图片描述

（5）计算标准回归系数

1、coef.sd <- function(fm)：这行代码定义了一个名为 coef.sd 的函数，它接受一个参数 fm，表示一个回归模型。
2、b = fm $coe f; b ：这行代码从回归模型 f m 中提取出系数，并将其赋值给变量 b 。然后将这些系数返回。 3 、 s i = a ppl y (f m$ model, 2, sd); si：这行代码计算了每个自变量（模型中的解释变量）的标准差。fm$model 提取了回归模型 fm 的模型数据（包括自变量和因变量），apply 函数在每列上应用 sd 函数来计算标准差，并将结果存储在变量 si 中。
4、bs = b[-1] * si[-1] / si[1]：这行代码计算了标准化的回归系数。首先，b[-1] 提取了除截距以外的所有系数，si[-1] 提取了除因变量以外的所有标准差，然后通过除以第一个标准差 si[1] 来标准化这些系数。结果存储在变量 bs 中。
5、bs：最后，函数返回标准化的回归系数 bs。
在这里插入图片描述

6、多元线性回归模型检验

（1）方差分析

anova(fm)

在这里插入图片描述

（2）多元线性回归t检验

summary(fm)

在这里插入图片描述

data.frame(summary(fm)$coef,bstar=c(NA,coef.sd(fm)))

首先，data.frame(summary(fm) $coe f) 这部分代码是在创建一个数据框，其中包含了对象 f m （回归模型）的系数摘要。 s u mma ry (f m)$ coef会返回一个包含模型系数及其统计信息的列表，然后data.frame()函数将这些信息转化为一个数据框的形式。
其次，bstar=c(NA,coef.sd(fm)) 这部分代码是在设置一个名为’bstar’的参数，其值为c(NA,coef.sd(fm))。这里，NA表示该位置是缺失的或未定义的，而coef.sd(fm)是在获取模型系数的标准差。
总结来说，这段代码的目的是创建一个包含模型系数摘要和标准差的数据框，并将’bstar’参数设置为模型系数的标准差和缺失值的组合。
在这里插入图片描述

（3）提取F统计量的相关信息

summary(fm)$fstat

在这里插入图片描述

7、多元相关分析

cor(d4.4)           #多元数据相关系数矩阵
yX = d4.4
pairs(yX)           #多元数据散点图
msa.cor.test(d4.4)  #多元数据相关系数检验

在这里插入图片描述

msa.cor.test(d4.4)  #多元数据相关系数检验

在这里插入图片描述

8、复相关分析

（2）多元线性回归模型的决定系数（决定系数R^2）

多元线性回归模型的决定系数（决定系数R^2）用于衡量模型对观察变量方差的解释程度。决定系数是一个介于0和1之间的数值，其值越接近1，表示模型对数据的解释能力越强。

具体而言，决定系数表示模型中自变量与因变量的总体方差之间的比例。例如，如果因变量的总方差是100，而模型解释了其中75的方差，那么决定系数就是75%。

在多元线性回归模型中，决定系数R^{2是对模型整体解释能力的总体评估。它可以帮助我们了解模型中自变量对因变量的贡献程度，以及模型预测的准确性。决定系数R}2的值越大，说明模型对数据的拟合程度越好。

（1）复相关系数r

多元数据复相关系数是一种统计量，用于衡量多个变量之间的复相关程度。在多元回归分析中，它表示因变量与多个自变量之间的复相关关系。

具体来说，多元数据复相关系数描述了因变量与所有自变量之间的总效应，即所有自变量的总效应对因变量的影响程度。如果多元数据复相关系数较高，说明因变量与多个自变量之间的复相关关系较强，即因变量受多个自变量的共同影响较大。

在实际应用中，多元数据复相关系数可以用于评估多个变量之间的相关性，帮助我们理解这些变量之间的相互作用关系，并为我们提供更全面、深入的信息，以便做出更明智的决策。
在这里插入图片描述

9、回归变量的选择方法

（1）变量选择标准

在这里插入图片描述

cp统计量和bic统计量

在这里插入图片描述

1、x1, x2, x3, x4：这些是模型中的自变量。每个星号 * 表示该自变量被模型选中了。
2、adjR2：这是调整后的 R-squared 值，用于衡量模型对数据的拟合程度。数值越接近1，表示模型对数据的拟合程度越好。
3、Cp：这是 Mallows’ Cp 统计量，用于评估模型的预测准确度和模型的复杂度。通常情况下，Cp 越接近于自变量的数量，表示模型越好。
4、BIC：这是贝叶斯信息准则（Bayesian Information Criterion），也是一种模型选择准则，用于在考虑模型拟合优度和模型复杂度的情况下选择模型。BIC 值越小越好。

根据给出的结果
1、调整后的 R-squared 值都非常接近于1，这表示模型对数据的拟合程度很好。
2、Mallows’ Cp 统计量和 BIC 值也都很小，这说明模型的预测准确度较高且模型的复杂度较低。

因此，根据给出的结果，可以得出结论：这个模型的拟合程度很好，且没有明显的过拟合现象。

（2）逐步回归分析

（1）向前引入，向后剔除

这段输出展示了逐步回归法（stepwise regression）中向前引入法和向后剔除法的变量选择结果。

向前引入法（forward selection）：从一个空模型开始，逐步引入自变量，直到不再有改进（AIC值最小）为止。在这个例子中，初始模型包含了所有的自变量（x1、x2、x3、x4），然后根据AIC逐步引入，直到不再有改进为止。最终，最佳模型包含了自变量 x1、x2、x4。
向后剔除法（backward elimination）：从包含所有自变量的模型开始，逐步剔除自变量，直到不再有改进（AIC值最小）为止。在这个例子中，初始模型也包含了所有的自变量，然后根据AIC逐步剔除，直到不再有改进为止。最终，最佳模型同样包含了自变量 x1、x2、x4。

这些结果反映了模型的拟合程度和模型的复杂度之间的平衡。最终的模型选择了 x1、x2、x4 这三个自变量，因为它们能够在保持模型简洁的同时最大程度地解释因变量的变异。
在这里插入图片描述

（2）逐步筛选法

这段输出展示了逐步筛选法（stepwise selection）的变量选择结果，结合了向前引入法和向后剔除法。

从一个包含所有自变量的模型开始。
首先，根据 AIC（Akaike Information Criterion）的准则，逐步剔除自变量，直到不再有改进（AIC值最小）为止。在这个过程中，自变量 x3 被剔除。
接着，在剔除了 x3 后，再根据 AIC 的准则逐步剔除自变量，直到不再有改进为止。在这个过程中，自变量 x1 被剔除。
最终的模型保留了自变量 x2 和 x4。

这些结果提供了一个平衡模型拟合度和模型复杂度的方案。最终的模型选择了 x2 和 x4 这两个自变量，因为它们能够在保持模型简洁的同时最大程度地解释因变量的变异。
在这里插入图片描述
当模型含有不同变量时，对应的AIC值如下：

初始模型：y ~ x1 + x2 + x3 + x4，AIC=68.15
剔除了 x3：y ~ x1 + x2 + x4，AIC=66.16
剔除了 x1：y ~ x2 + x4，AIC=64.39

这些AIC值反映了模型的拟合程度和模型的复杂度之间的权衡。较小的AIC值表示模型对数据的拟合更好，同时考虑了模型的复杂度。

（3）模型拟合结果

在这里插入图片描述
这段代码描述了一个多元线性回归模型的拟合结果，包括了模型的系数估计、p值、F检验等重要信息。

10、案例——财政收入的相关与回归分析

（1）case4数据

在这里插入图片描述

（2）代码

Case4=read.xlsx('adcase.xlsx','Case4');
summary(Case4)
cor(Case4)   #相关分析
plot(Case4,gap=0)  #矩阵散点图
msa.cor.test(Case4)
fm=lm(y~.,data=Case4);summary(fm)
sfm=step(fm);summary(sfm)
plot(Case4$y);lines(sfm$fitted)

（3）结果

（1）汇总统计

在这里插入图片描述

（2）相关分析

在这里插入图片描述

（3）矩阵散点图

在这里插入图片描述

（4）相关性检验

在这里插入图片描述
这段代码使用了 msa.cor.test 函数对 Case4 数据框中的变量进行了相关性检验，输出了相关性检验的结果。

目的：检验各个变量之间的相关性。
包含的信息：
- 相关系数（上三角矩阵）：对角线上是每个变量自身的相关系数，其他位置是各个变量之间的相关系数。
- t值和p值（下三角矩阵）：用于检验相关系数是否显著不等于0。
  - t值表示检验统计量，用于判断相关系数是否显著不等于0。
  - p值表示t检验的双侧p值，用于判断相关系数是否显著。
结论：
- t值较大或p值较小的相关系数意味着相关性较强且可能显著不等于0。
- t值和p值都为0的对角线位置表示每个变量自身与自身的相关系数，这是必然的。

通过这些信息，我们可以得出各个变量之间的相关性程度，并进一步分析各个变量之间的关联关系。

（5）线性回归分析

在这里插入图片描述
这段代码进行了线性回归分析，其中：

目的：通过最小二乘法拟合了一个线性模型，该模型用于预测因变量 y，该模型包含了自变量 x1 到 x9。
包含的信息：
- 模型系数（Estimate）：对应每个自变量的系数估计值，表示自变量对因变量的影响程度。
- 标准误差（Std. Error）：系数的标准误差，用于衡量估计系数的准确性。
- t值（t value）：系数估计值除以标准误差的比值，用于检验系数是否显著不等于0。
- p值（Pr(>|t|)）：t检验的双侧p值，用于判断系数是否显著不等于0。
- 残差标准误差（Residual standard error）：残差的标准偏差，用于衡量模型对数据的拟合程度。
- 拟合优度（Multiple R-squared）：表示模型对因变量的解释程度，值越接近1表示模型拟合程度越好。
- 调整后的拟合优度（Adjusted R-squared）：考虑了模型中自变量数量的调整后的拟合优度，用于避免过度拟合的情况。
- F统计量（F-statistic）：用于检验模型整体拟合优度的统计量。
- p值（p-value）：F统计量的双侧p值，用于判断模型整体拟合优度是否显著。
结论：
- 模型整体拟合优度很高，Multiple R-squared为0.999，Adjusted R-squared为0.997，这表明模型能够很好地解释因变量的变异。
- 模型中有一些自变量的系数在统计上显著不等于0，如x4和x6，这些自变量可能对因变量有重要影响。
- 其他自变量的系数则不显著，如x1、x2、x5、x7、x8、x9，这些自变量可能对因变量的影响不显著。

（6）模型优化——逐步回归法

在这里插入图片描述

在这里插入图片描述

这段代码使用了逐步回归方法来选择模型，最终得到了一个相对较优的模型。逐步回归的目的是根据某个准则（如AIC）逐步添加或删除自变量，以得到一个在预测性能和模型复杂度之间达到平衡的模型。

模型选择过程：
- 初始模型包含了所有自变量 x1 到 x9。
- 逐步根据AIC值选择自变量：首先删除x9，然后删除x5和x7，最终得到了一个包含了x1、x2、x3、x4、x6和x8的最优模型。
- 每一步选择都会显示相应的自变量被删除后的模型的AIC值，以及相应的自变量的Sum of Sq、RSS和AIC值。
结论：
- 最终的模型包含了自变量 x1、x2、x3、x4、x6 和 x8。
- 这些自变量的系数估计值、标准误差、t值和p值显示在最终的模型汇总中。
- 可以用这个最终模型来预测因变量 y，且该模型在考虑了预测性能和模型复杂度后得到了一定的优化。