博文
关于回归的一些问题
||
1 如何理解回归得到的R-squared和残差标准误？
下面是一个简单的回归模型，给出了模型的上面三个量，如粗体所示。
Call:
lm(formula = data[, 2] ~ data[, 3] + data[, 4])
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -124.626 92.841 -1.342 0.2043
data[, 3] 80.543 35.514 2.268 0.0426 *
data[, 4] 16.757 5.969 2.807 0.0158 *
Residual standard error: 109.5 on 12 degrees of freedom
Multiple R-squared: 0.6089, Adjusted R-squared: 0.5438
F-statistic: 9.343 on 2 and 12 DF, p-value: 0.003577
残差的标准误为109.5，自由度为12。它是用残差（实际值和预测值的差值）平方和(SSresidue)除以自由度再开方。
R-squared为0.6089，它是等于回归模型对于Y的变异所能够解释的比例。其计算等于回归离均差和（SSregression)除以总离均差和（SStotal)，而后者等于SSregression与SSresidue的加和。因此，R-squared的计算公式为：
sum((Yfit-mean(Y))^2)/sum((Y-mean(Y))^2)
3 如何更新回归模型？
使用update()函数，比如说原来的模型是y~x1+x2+x3,现在想去掉x3，可以直接用new <- update(old,~.-x3)
更复杂的用法见R中的文档
https://blog.sciencenet.cn/blog-54276-436237.html
上一篇：R语言的图像输出和结果输出
下一篇：R语言中的最大似然估计
