大家好，又见面了，我是你们的朋友全栈君。
关注微信公共号：小程在线
关注CSDN博客：程志伟的博客
逐步回归分析是以AIC信息统计量为准则，通过选择最小的AIC信息统计量，来达到删除或增加变量的目的。
R语言中用于逐步回归分析的函数 step() drop1() add1()
#1.载入数据 首先对数据进行多元线性回归分析
tdata<-data.frame(
x1=c( 7, 1,11,11, 7,11, 3, 1, 2,21, 1,11,10),
x2=c(26,29,56,31,52,55,71,31,54,47,40,66,68),
x3=c( 6,15, 8, 8, 6, 9,17,22,18, 4,23, 9, 8),
x4=c(60,52,20,47,33,22, 6,44,22,26,34,12,12),
Y =c(78.5,74.3,104.3,87.6,95.9,109.2,102.7,72.5,
93.1,115.9,83.8,113.3,109.4)
)
tlm<-lm(Y~x1+x2+x3+x4,data=tdata)
summary(tlm)多元线性回归结果分析
通过观察，回归方程的系数都没有通过显著性检验
#2.逐步回归分析
tstep<-step(tlm)
summary(tstep)
结果分析：当用x1 x2 x3 x4作为回归方程的系数时，AIC的值为26.94
去掉x3 回归方程的AIC值为24.974；去掉x4 回归方程的AIC值为25.011……
由于去x3可以使得AIC达到最小值，因此R会自动去掉x3;
去掉x3之后 AIC的值都增加 逐步回归分析终止 得到当前最优的回归方程
回归系数的显著性水平有所提高 但是x2 x4的显著性水平仍然不理想
#3.逐步回归分析的优化
drop1(tstep)结果分析
如果去掉x4 AIC的值从24.974增加到25.420 是三个变量中增加最小的
#4.进一步进行多元回归分析
tlm<-lm(Y~x1+x2,data=tdata)
summary(tlm)结果分析
所有的检验均为显著
因此所得回归方程为y=52.57735+ 1.46831×1+ 0.66225×2.
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/142410.html原文链接：https://javaforall.net
