文档介绍：:..R语言与回归分析回归模型是计量里最基础也最常见的模型之一。究其原因,我想是因为在实际问题中我们并不知道总体分布如何,而且只有一组数据,那么试着对数据作回归分析将会是一个不错的选择。一、简单线性回归简单的线性回归涉及到两个变量:一个是解释变量,通常称为X;另一个是被解释变量,通常称为y。回归会用常见的最小二乘算法拟合线性模型:yi=pO+p1xi+ei其中00和01是回归系数,£i表示误差。在R中,你可以通过函数lm()去计算他。Lm()用法如下:lm(formula,data,subset,weights,,method=”q广,model=TRUE,x=FALSE,y=FALSE,qr=TRUE,=TRUE,contrasts=NULL,offset,…)参数是formula模型公式,例如y~x。公式中波浪号(〜)左侧的是响应变量,右侧是预测变量。函数会估计回归系数卩0和01,分别以截距(intercept)和x的系数表示。有三种方式可以实现最小二乘法的简单线性回归,假设数据wagel(可以通过names函数查看数据框各项名称)(1)Im(wage1$wage~wagel$educ+wagel$exper)(2)Im(wage~educ+exper,data=wagel)(3)attach(wagel)lm(wage〜educ+exper)#不要忘记处理完后用detach()解出关联运行下列代码:library(foreign)A<-("D:/R/data/")#导入数据lm(wage~educ,data二A)>lm(wage~educ,data二A)Call:lm(formula=wage~educ,data=A)Coefficients:(Intercept)educ- ,我们必须要有足够的证据去证明我们所做的冋归的合理性。那么如何获取冋归的信息呢?尝试运行以下代码:result<-lm(wage^educ,data=A)summary(result)我们可以得到以下结果:Call:lm(formula=wage~educ,data=A)Residuals:Min 1QMedian3Q Max-- - :(>|t|)(Intercept)-- <2e-16***:0™ :-squared:,AdjustedR-squared:-statistic:,p-value:<-16解读上述结果,我们不难看出,单从判决系数R-squared上看,回归结果是不理想的,但