R语言分段回归数据数据分析案例报告

 原文:http://tecdat.cn/?p=3805

我们在这里讨论所谓的“分段线性回归模型”,因为它们利用包含虚拟变量的交互项。

读取数据

data=read.csv("artificial-cover.csv")

查看部分数据

head(data)

## tree.cover shurb.grass.cover## 1 13.2 16.8## 2 17.2 21.8## 3 45.4 48.8## 4 53.6 58.7## 5 58.5 55.5## 6 63.3 47.2
  1. ###########用lm拟合,主要注意部分是bs(age,knots=c(...))这部分把自变量分成不同部分fit =lm(tree.cover~bs(shurb.grass.cover ,knots############进行预测,预测数据也要分区pred= predict (fit , newdata =list(shurb.grass.cover =data$shurb.grass.cover),se=T)#############然后画图plot(fit)

可以构造一个相对复杂的 LOWESS 模型(span参数取小一些),然后和一个简单的模型比较,如:

qplot(x, y) + geom_smooth() # 总趋势

散点图分为两部分

我们可以将原始散点图分为两部分,并拟合两条单独但相连的线。估计的分段式函数连接,在描述数据趋势方面做得更好。

因此,让我们为这些数据建立一个分段线性回归模型并可视化:

+ geom_smooth() + theme(panel.background = element_rect(fill = 'white', colour = 'black'))
(0)

相关推荐