R语言-如何做回归模型预测

本经验将和各位网友分役钽俏淌享如何在R语言环境下进行回归模型预测。以下的案例来自美国社会调查机构：为了研究谋杀率与哪些因素有关，收集美国50个地区的谋杀率、收入水平、文盲率、生活经验、霜冻天数的数据，如下图：

2.分析不同变量的拟合性情况

这里主要调用car包，通过使用scatterplotMatrix() 函数，分析不同变量的相关关系及对因变量的拟合情况，输入如下代码:

library(car)

scatterplotMatrix(sj[,2:6])

上图第一部分，显示的是各个变量之间的相关性，第二部分显示的是各个相关性的显著性检验P值。从第一部分可见，谋杀率与文盲率、生活经验、霜冻天数分别具有0.7、-0.78以及-0.54的相关性，并且显著性水平P值均小于0.05，而谋杀率与收入水平的相关性不具有显著性，所以不列入模型。

4.尝试建立多元一项式回归模型

根据前面的分析结果，将文盲率、生活经验和霜冻天数列入模型，首先建立多元一项式模型，输入如下代码：

谋杀率<-lm(谋杀率~文盲率+生活经验+霜冻天数,data=sj)

summary(谋杀率)

由于篇幅有限，各位读者除了按照上面的方式建模，还需要考虑以上3个自变量的交互效应对模型的影响，从中观察R方的变化。

6.检验拟合值的同方差性

从上面可以发现，拟合值具有同方差的特征，为了进一步检验，这里采用ncvTest()函数，对模型进行检验，输入如下代码：

par(mfrow=c(2,2))

ncvTest(谋杀率)综上所述：模型的显著性符合p<0.05,R方=72.17%，并且残差呈现正态分布，拟合值具有同方差性的特征，模型的拟合效果整体看不错，可以达到实用的水平！