【正文】 U239。（1） X(X1=c(99,99,100,93,100,90,75,93,87,95,76,85),+ X2=c(94,88,98,88,91,78,73,84,73,82,72,75),+ X3=c(93,96,81,88,72,82,88,83,60,90,43,50),+ X4=c(100,97,100,96,78,97,89,88,84,39,78,37)) X$X5c(100,99,96,99,96,75,97,68,76,62,67,34) fafactanal(X,factors=2) fa我們分析出兩個(gè)因子，可以看到第一個(gè)因子與前面變量關(guān)系更大，可稱為文科因子，第二個(gè)因子與后面的變量相關(guān)，可以稱之為理科因子。,39。,39。,39。,header=T)X(x1=coreer$FL,x2=coreer$APP,x3=coreer$AA,x4=coreer$LA,+x5=coreer$SC,x6=coreer$LC,x7=coreer$HON,x8=coreer$SMS,x9=coreer$EXP,+ x10=coreer$DRV,x11=coreer$AMB,x12=coreer$GSP,x13=coreer$POT,+ x14=coreer$KJ,x15=coreer$SUIT,=coreer$ID) d(1cor(X)) hc1hclust(d,method=39。))) for(i in 2:6)+ for(j in 1:2)+ K[j,i1]mean($Y[[i]==j]) K A B C AB AC1 2 依據(jù)顯著性，首先選擇B，選擇B1。,39。A39。,39。,header=T) glm(Y~X1+X2+X3+X4+X5,family=binomial,data=pe) summary()可以發(fā)現(xiàn)各變量影響基本都不顯著，甚至大部分還沒通過顯著性檢驗(yàn)。其實(shí)逐步回歸可以解決多重共線的問題。)有關(guān)系的 x1:5 yc(rep(x,c(0,1,9,7,3))) zc(rep(x,c(2,2,11,4,1))) (y,z,exact=F)結(jié)果顯示這兩種療法沒什么區(qū)別第六章（1） snow(X=c(,),+ Y=c(1907,1287,2700,2373,3260,3000,1947,2273,3113,2493)) plot(snow$X,snow$Y)結(jié)論是有線性關(guān)系的。greater39。 xc(rep(0,7),rep(1,10),rep(2,12),rep(3,8),rep(4,3),rep(5,2)) mean(x)[1] (x)正態(tài)總體均值用樣本均值來估計(jì)。我們知道泊松分布中的參數(shù)λ，既是均值又是方差。) attach(student) plot(體重~身高)（2） coplot(體重~身高|性別)（3） coplot(體重~身高|年齡)（4） coplot(體重~身高|年齡+性別)只列出（4）的結(jié)果，如下圖 xseq(2,3,)。) ymin(x):max(x) lines(y,dnorm(y,),col=39。,39。),+ 身高=c(39。,39。D(3) EA*B。E(4) FA[1:3,1:3](5) GB[,3] xc(rep(1,5),rep(2,3),rep(3,4),rep(4,2))。女39。15639。5239。blue39。yseq(1,7,) ffunction(x,y)+ x^42*x^2*y+x^22*x*y+2*y^2+9*x/24*y+4 zouter(x,y,f)contour(x,y,z,levels=c(0,1,2,3,4,5,10,15,20,30,40,50,60,80,100),col=39。因此我們只需要用樣本均值作矩估計(jì)即可在R中實(shí)現(xiàn)如下 xc(rep(0,17),rep(1,20),rep(2,10),rep(3,2),rep(4,1)) mean(x)[1] 1 ffunction(x) {+objc(13+x[1]+((5x[2])*x[2]2)*x[2],(29+x[1]+((x[2]+1)*x[2]14)*x[2]))+ sum(obj^2)} nlm(f,c(,2))在矩估計(jì)中，正態(tài)分布總體的均值用樣本的均值估計(jì)。故如下 xc(1067,919,1196,785,1126,936,918,1156,920,948) (x,alternative=39。)結(jié)果是不能認(rèn)為能增加比例就是檢驗(yàn)?zāi)愕臉颖臼欠穹夏莻€(gè)分布 (c(315,101,108,32),p=c(9,3,3,1)/16)結(jié)果顯示符合自由組合規(guī)律又是檢驗(yàn)一個(gè)總體是否符合假定分布。（2）（3） lm(Y~1+X,data=snow)。我們可以檢驗(yàn)一下step函數(shù)去掉變量后的共線性。只有X1的系數(shù)通過了顯著性檢驗(yàn)，但是也不是很理想。乙39。,39。施肥量39。再依據(jù)AB,應(yīng)選擇AB1，也就是說A和B應(yīng)該是同一水平。plete39。電力39。縫紉39。手臂長39。（2） fafactanal(X,factors=2,scores=39。,ylab=39。) plot(U[,2],V[,2],xlab=39。因此第一個(gè)因子可以叫做體長因子，第二個(gè)可以叫做身寬因子。身高39。紡織39。冶金39。39。AC39。密度39。zrep(0,n)+ for( i in 1:n)+ if(x[i]==y[i]){z[i]1}else{z[i]2}+ factor(z)} pro$ABab(pro$A,pro$B)然后我們開始計(jì)算各個(gè)水平的均值，如下 Kmatrix(0,nrow=3,ncol=3,dimnames=list(1:3,c(39。甲39。39。 cement(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(,)) XXcor(cement[1:4]) kappa(XX,exact=T)[1] eigen(XX)發(fā)現(xiàn)變量的多重共線性很強(qiáng)，且有+++=0說明X1,X2，X3，X4多重共線。kendall39。,mean(y),sd(y))結(jié)論是他們都服從正態(tài)分布（2） (x,y)結(jié)論是方差相同（3） (x,y,exact=F)結(jié)果是有差別 (57,400,p=)結(jié)果是支持 (178,328,p=,alternative=39。我們直接用樣本均值來估計(jì)參數(shù)即可。x)?a=na+1+lni=1nxi好了下面開始用R編程求解，注意此題中n=6.方法一、使用unniroot函數(shù) ffunction(a) 6/(a+1)+sum(log(x)) uniroot(f,c(0,1))方法二、使用optimize函數(shù) gfunction(a) 6*log(a+1)+a*sum(log(x)) optimize(g,c(0,1),maximum=T)用極大似然估計(jì)得出λ=n/i=xc(rep(5,365),rep(15,245),rep(25,150),rep(35,100),rep(45,70),rep(55,45),rep(65,25)) 1000/sum(x)換句話講，就是用該樣本來估計(jì)泊松分布中的參數(shù)，然后求出該分布的均值。39。red39。39。1539。男39。C(2) DA%*%B。x Hmatrix(nrow=5,ncol=5) for (i in 1:5)+ for(j in 1:5)+ H[i,j]1/(i+j1)（1） det(H)（2） solve(H)（3） eigen(H) studentdata(姓名=c(39。,39。,39。,39。) plot(ecdf(x),verticals=T,=F)