library(car) a=read.table("C:/Users/MrDavid/data_TS/reg.csv",sep=",",header=T) a lm.salary=lm(锘縴~x1+x2+x3+x4,data=a) summary(lm.salary) #注：锘縴是y乱码之后的结果 
发现x2,x3,x4系数不显著。
（2）对变量进行选择
lm.step=step(lm.salary,direction="both") 
如果去掉变量x2,AIC的值为648.49，如果去掉变量x3,AIC的值为650.85，如果去掉变量x1,AIC的值为715.19，所以在这里去掉x2.
进行下一轮的计算：
lm.salary=lm(锘縴~x1+x3+x4,data=a) lm.step=step(lm.salary,direction="both") 
发现去掉x3，AIC 的值为647.64，所以去掉x3.
单独对x1和x4，进行拟合。
lm.salary=lm(锘縴~x1+x4,data=a) summary(lm.salary) 
可以看出F检验P值小于0.05显著，各个参数系数也是显著的。
（3）对上述回归模型进行回归残差诊断
算出模型的标准化残差
library(TSA) y.rst=rstandard(lm.step) y.rst 
画出其残差散点图：
很明显发现4和35号点异常，将这两个点去除。
lm.salary=lm(log(锘縴)~x1+x2+x3+x4,data=a[-c(4,35),]) lm.step=step(lm.salary,direction="both") y.rst=rstandard(lm.step) y.fit=predict(lm.step) plot(y.rst~y.fit) par(mfrow=c(2,2)) plot(lm.step) influence.measures(lm.step) 
残差拟合图基本上呈现随机分布模式，正态Q-Q图基本落在直线上，表明残差服从正态分布；大小-位置图和残差-杠杆图以小组的形式存在并且离中心不远。这说明3，4，35号观测值可能是异常点和强影响点。
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/223748.html原文链接：https://javaforall.net
