lm

    5熱度

    2回答

    我有這個計劃 dens <- read.table('DensPiu.csv', header = FALSE) fl <- read.table('FluxPiu.csv', header = FALSE) mydata <- data.frame(c(dens),c(fl)) dat = subset(mydata, dens>=3.15) colnames(dat) <- c("x

    1熱度

    2回答

    當我將lm與循環一起使用時遇到問題。我想用xx和yy的每四個值來擬合迴歸線。 這裏是我的代碼, >xx<-c(0 , 55, 146, 457, 643, 825,1008) >yy<-c(NA, 110, 132, 108, 124, 115, 134) >n<-length(xx) >slop<-rep(NA,n) >for (i in 4:n){ x<-xx[i-3:i]

    1熱度

    2回答

    我試圖獲得適合我數據的lm。我遇到的問題是我想在因子爲「真」時擬合線性模型(一階多項式),在因子爲「假」時擬合二階多項式。我怎樣才能完成使用只有一個LM。 a=c(1,2,3,4,5,6,7,8,9,10) b=factor(c("true","false","true","false","true","false","true","false","true","false")) c=c(10

    -1熱度

    1回答

    我有一個數據框包含多個社會經濟因素與相應的obersvations。我想對它們全部運行lm-Analysis,然後形成一個新的矩陣(或數據框),其中包含每個變量組合的所有Pvalues。 我的原始數據是在矩陣SFI.Matrix中,包含7行,每個12個條目。 我嘗試以下: 1)建立的結果矩陣 2.)上運行的所有不同的組合 3的LM)在結果矩陣結合這些結果。 我的代碼如下所示: Levene.Tes

    0熱度

    1回答

    我跑了一些樹木數據的多元迴歸。 trees Index DBH Height Merch.Vol. 1 1 8.3 70 10.3 2 2 8.6 65 10.3 3 3 8.8 63 10.2 4 4 10.5 72 16.4 5 5 10.7 81 18.8 6 6 10.8 83 19.7 7 7 11.0 66 15.6

    0熱度

    1回答

    使用下面的數據模型: ​​ 我想知道如何適應預定偏移到另一種模式的原始關係,即如何適應從模型A的估計,從而: ModelA<-lm(Dependent1~Explanatory) 從而建模B: ModelB<-lm(Dependent2~Explanatory) 其中解釋變量是我的數據集中變量「Categorical」或變量「Continuous」。我與一個類似的問題在CV一個有用的答案:

    6熱度

    2回答

    ,能夠使用式的快捷方式中lm() m <- matrix(rnorm(100), ncol=5) lm(m[,1] ~ m[,2:5] 這裏這將是相同 lm(m[,1] ~ m[,2] + m[,3] + m[,4] + m[,5] 但在當變量是不是同一級別(至少這是我現在的假設),這並不工作,我得到的錯誤: Error in model.frame.default(formula =

    1熱度

    3回答

    我有一個大的數據幀DF,以命名爲列: age, income, country 我想要做的其實很simpe,爲每個國家做 fitFunc<-function(thisCountry){ subframe<-df[which(country==thisCountry)]; fit<-lm(income~0+age, data=subframe); return(co

    -5熱度

    1回答

    我想用速度lm.fit,但第二個版本給來港 sum <- summary(lm(y~x)) slope <- sum$coefficients[2] 或 sum <- lm.fit(as.matrix(x,ncol=1),y) slope <- sum$coefficients[2] 編輯1 我現在看到總和$係數只有1個值。這是爲什麼?它是什麼?這個幫助沒有解釋這個

    0熱度

    1回答

    我正在嘗試將x * log(x)模型擬合到數據中。擬合成功執行,但我在解釋結果係數時遇到困難。這裏是我的代碼的快照。 x <- c(6, 11, 16, 21, 26, 31, 36, 41, 46, 51) y <- c(5.485, 6.992, 7.447, 8.134, 8.524, 8.985, 9.271, 9.647, 10.561, 9.971) fit <- lm(y ~