文档介绍：实验七线性回归分析、回归诊断、稳健回归与逐步回归【实验类型】验证性【实验学时】2学时【实验目的】1、掌握回归分析的基本原理及线性回归的求解方法;2、掌握为什么要回归诊断以及回归诊断的内容与解决办法;3、掌握稳健回归、抗干扰回归的使用条件及逐步回归的基本思想、求解过程。【实验内容】1、一元线性与多元线性回归的计算;2、回归结果的诊断与残差分析;3、稳健回归、抗干扰回归与逐步回归分析。【实验方法或步骤】第一部分、课件例题:#<-(X1=c(,,,,,,,,,,,,),X2=c(50,20,20,30,30,50,60,50,40,55,40,40,20),Y=c(120,141,124,126,117,125,123,125,132,123,132,155,147))<-lm(Y~1+X1+X2,data=blood)#线性回归,其中公式线性回归,其中公式Y~1+X1+X2与Y~X1+X2(隐含常数项)等价;但公式Y~0+X1+X2或Y~X1+X2-1表示所得的回归方程中不含有常数项表示所得的回归方程中不含有常数项summary()#提取结果#<-(X1=80,X2=40)predict(,newdata,interval="prediction")#预测区间predict(,newdata,interval="confidence")#置信区间#(1)回归估计x<-c(,,,,,,,,,,,)y<-c(,,,,,,,,,,,)<-lm(y~1+x)#一元线性summary()#提取结果#(2)计算预测值并绘图new<-(x=seq(,,by=))pp<-predict(,new,interval="prediction");pp#预测pc<-predict(,new,interval="confidence");pc#置信par(mai=c(,,,))matplot(new$x,cbind(pp,pc[,-1]),type="l",#对矩阵绘图xlab="X",ylab="Y",lty=c(1,5,5,2,2),col=c("blue","red","red","brown","brown"),lwd=2)points(x,y,cex=,pch=21,col="red",bg="orange")legend(,63,#添加图例c("Points","Fitted","Prediction","Confidence"),pch=c(19,NA,NA,NA),lty=c(NA,1,5,2),col=c("orange","blue","red","brown"))###调取数据集data(be);be##作回归并输出回归系数等值ff<-y~x#将公式赋给变量fffor(iin1:4){ff[2:3]<-lapply(paste(c("y","x"),i,sep=""),)assign(paste("lm.",i,sep=""),lmi<-lm(ff,data=be))}GetCoef<-function(n)summary(get(n))$coeflapply(objects(pat="lm\\.[1-4]$"),GetCoef)##绘图op<-par(mfrow=c(2,2),mar=.1+c(4,4,1,1),oma=c(0,0,2,0))for(iin1:4){ff[2:3]<-lapply(paste(c("y","x"),i,sep=""),)plot(ff,data=be,col="red",pch=21,bg="orange",cex=,xlim=c(3,19),ylim=c(3,13))abline(get(paste("lm.",i,sep="")),col="blue")}mtext("be's4Regressiondatasets",outer=TRUE,cex=)par(op)###(1)回归rt<-("F:/文档/大学课程/R语言/ch07/",heade