mtcars 数据集的线性回归
内置的 mtcars 数据框包含有关 32 辆汽车的信息,包括它们的重量,燃油效率(以每加仑英里数计),速度等。(要了解有关数据集的更多信息,请使用 help(mtcars)
)。
如果我们对燃油效率(mpg
)和重量(wt
)之间的关系感兴趣,我们可以开始用以下方法绘制这些变量:
plot(mpg ~ wt, data = mtcars, col=2)
这些图显示了(线性)关系! 然后,如果我们想要执行线性回归来确定线性模型的系数,我们将使用 lm
函数:
fit <- lm(mpg ~ wt, data = mtcars)
~
在这里的意思是解释为,所以公式 mpg ~ wt
意味着我们正在预测 mpg,正如 wt 所解释的那样。查看输出的最有用方法是:
summary(fit)
这给出了输出:
Call:
lm(formula = mpg ~ wt, data = mtcars)
Residuals:
Min 1Q Median 3Q Max
-4.5432 -2.3647 -0.1252 1.4096 6.8727
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 37.2851 1.8776 19.858 < 2e-16 ***
wt -5.3445 0.5591 -9.559 1.29e-10 ***Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 3.046 on 30 degrees of freedom
Multiple R-squared: 0.7528, Adjusted R-squared: 0.7446
F-statistic: 91.38 on 1 and 30 DF, p-value: 1.294e-10
这提供了以下信息:
- 每个系数的估计斜率(
wt
和 y-截距),这表明 mpg 的最佳拟合预测是37.2851 + (-5.3445) * wt
- 每个系数的 p 值,表明截距和重量可能不是偶然的
- 总体估计拟合,如 R ^ 2 和调整后的 R ^ 2,它们显示了
mpg
中有多少变化由模型解释
我们可以在第一个图中添加一行来显示预测的 mpg
:
abline(fit,col=3,lwd=2)
也可以将等式添加到该图中。首先,用 coef
获得系数。然后使用 paste0
我们用适当的变量和+/-
来折叠系数,以建立方程。最后,我们使用 mtext
将其添加到绘图中:
bs <- round(coef(fit), 3)
lmlab <- paste0("mpg = ", bs[1],
ifelse(sign(bs[2])==1, " + ", " - "), abs(bs[2]), " wt ")
mtext(lmlab, 3, line=-2)
结果是: