回答
代碼r = lm(y ~ x1+x2)
表示我們將y建模爲x1和x2的線性函數。由於該模型不完美,因此會存在剩餘期限(即模型未能適應的剩餘期限)。
在數學,如羅布海德門中的註釋y = a + b1*x1 + b2*x2 + e
,其中a
,b1
和b2
是常數,e
是您的殘差(其被假定爲正態分佈)指出。
看一個具體的例子,可以考慮隨R.虹膜數據
model1 <- lm(Sepal.Length ~ Sepal.Width + Petal.Length + Petal.Width, data=iris)
現在,我們可以提取模型中的常數(相當於a
,b1
,b2
在這種情況下b3
太)。
> coefficients(model1)
(Intercept) Sepal.Width Petal.Length Petal.Width
1.8559975 0.6508372 0.7091320 -0.5564827
已經爲模型中使用的每一行數據計算了殘差。
> residuals(model1)
1 2 3 4 5
0.0845842387 0.2100028184 -0.0492514176 -0.2259940935 -0.0804994772
# etc. There are 150 residuals and 150 rows in the iris dataset.
(編輯:剪切彙總信息不相應和。)
編輯:
的Error
價值,你在你的意見提在幫助頁面AOV的解釋。
If the formula contains a single ‘Error’ term, this is used to
specify error strata, and appropriate models are fitted within
each error stratum.
比較以下(改編自?aov
頁。)
> utils::data(npk, package="MASS")
> aov(yield ~ N*P*K, npk)
Call:
aov(formula = yield ~ N * P * K, data = npk)
Terms:
N P K N:P N:K P:K N:P:K Residuals
Sum of Squares 189.2817 8.4017 95.2017 21.2817 33.1350 0.4817 37.0017 491.5800
Deg. of Freedom 1 1 1 1 1 1 1 16
Residual standard error: 5.542901
Estimated effects may be unbalanced
> aov(yield ~ N*P*K + Error(block), npk)
Call:
aov(formula = yield ~ N * P * K + Error(block), data = npk)
Grand Mean: 54.875
Stratum 1: block
Terms:
N:P:K Residuals
Sum of Squares 37.00167 306.29333
Deg. of Freedom 1 4
Residual standard error: 8.750619
Estimated effects are balanced
Stratum 2: Within
Terms:
N P K N:P N:K P:K Residuals
Sum of Squares 189.28167 8.40167 95.20167 21.28167 33.13500 0.48167 185.28667
Deg. of Freedom 1 1 1 1 1 1 12
Residual standard error: 3.929447
1 out of 7 effects not estimable
Estimated effects may be unbalanced
嘿裏奇,這看起來很有趣。所以我想我可以在R中嘗試這個: > v = aov(yield_N * P * K,npk) > v2 = aov(yield_N * P * K + Error(block),npk)係數(v) >係數(v2) 這是什麼類型的迴歸?什麼是係數,如N1:P1和N1:P1:K1? – phpdash
@phpdash:這有時被稱爲分裂圖ANOVA。邁克爾克勞利在統計計算中有一個循序漸進的例子。 http://books.google.com/books?id=OlPUa6lVeb0C&pg=PA345# –
- 1. R線性迴歸
- 2. 線性迴歸與R中
- 3. 在線性模型R中包含NA
- 4. 線性迴歸模型擬合不佳
- 5. R中的循環 - 線性迴歸
- 6. R/S中的非線性迴歸
- 7. r Quantmod Chart添加線性迴歸線
- 8. R中的線性迴歸:變量的無效類型(列表)
- 9. 如何決定使用線性迴歸模型還是非線性迴歸模型
- 10. R中有截距的迴歸模型的斜線不正確
- 11. 繪製R中線性迴歸的非線性圖
- 12. 如何用R創建線性迴歸?
- 13. 加權線性迴歸-R到Python - Statsmodels
- 14. 使用R的線性迴歸
- 15. 線性迴歸COEF結果有R
- 16. R-線性迴歸 - X截距
- 17. 線性模型約束,[R]
- 18. 模擬R中迴歸
- 19. 擴展迴歸模型在R
- 20. R的線性迴歸模型的最後變量的多個NA
- 21. R - 如何用darch()和predict()來擬合非線性迴歸模型?
- 22. 獲取嘗試計算R平方的Tensorflow線性迴歸模型的錯誤
- 23. 袋裝AIC值來自混合效應線性迴歸模型R
- 24. vowpal中的空線性迴歸模型wabbit
- 25. 線性迴歸 - 估計後陷入Matlab中的模型比較?
- 26. 在線性迴歸模型中產生的NA
- 27. 如何在多元線性迴歸模型中進行預測?
- 28. 在python中使用ARMA/ARIMA的線性迴歸模型
- 29. Logistic迴歸Varimp總是與其他模型不同; Text Analytics R
- 30. 包含Nans的線性迴歸
你是什麼錯誤意味着什麼?您的代碼將符合以下線性模型: y = a + b1 * x1 + b2 * x2 + e 其中e是錯誤。 –
所以模型已經包含錯誤條款? 但我已經看到這個: y〜A * B +錯誤(C) – phpdash