統(tǒng)計(jì)建模與r軟件課后答案(編輯修改稿)
2024-07-17 02:20 本頁面
【文章內(nèi)容簡(jiǎn)介】 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。（2）（3） lm(Y~1+X,data=snow)。summary()結(jié)果是方程是顯著的（4） predict(,(X=7),interval=39。prediction39。,level=) fit lwr upr1 （1）（2） soil(X1=c(,,,+ ,,),X2=c(52,23,19,34,24,65,44,31,+ 29,58,37,46,50,44,56,36,58,51),X3=c(158,163,37,157,59,123,46,117,+ 173,112,111,114,134,73,168,143,202,124),Y=c(64,60,71,61,54,77,81,+ 93,93,51,76,96,77,93,95,54,168,99)) lm(Y~1+X1+X2+X3,data=soil)。summary()我們發(fā)現(xiàn)X2和X3的系數(shù)沒有通過t檢驗(yàn)。但是整個(gè)方程通過了檢驗(yàn)。（3） step() summary()可以發(fā)現(xiàn)新模型只含有X1和X3，但是X3的系數(shù)還是不顯著。接下來考慮用drop1函數(shù)處理 drop1()發(fā)現(xiàn)去掉X3殘差升高最小，AIC只是有少量增加。因此應(yīng)該去掉X3 lm(Y~X1,data=soil)。summary()（1） da(X=c(1,1,1,1,2,2,2,3,3,3,4,4,4,5,6,6,6,7,7,7,8,8,8,+ 9,11,12,12,12),Y=c(,,,+ ,,,,+ ,)) plot(da$X,da$Y) lm(Y~X,data=da) abline()（2） summary()全部通過（3） plot(,1) windows() plot(,3)可以觀察到誤差符合等方差的。但是有殘差異常值點(diǎn)24,27,28.（4） update(,sqrt(.)~.) summary()都通過檢驗(yàn) plot(da$X,da$Y) abline() windows() plot(,1) windows() plot(,3)可以發(fā)現(xiàn)還是有殘差離群值24,28 lm(Y~1+X1+X2,data=toothpaste)。summary() () plot(,3),8,9,24對(duì)樣本影響較大，可能是異常值點(diǎn)，而通過殘差圖發(fā)現(xiàn)5是殘差離群點(diǎn)，但是整個(gè)殘差還是在[2,2]之內(nèi)的。因此可考慮剔除5,8,9,24點(diǎn)再做擬合。 lm(Y~1+X1+X2,data=toothpaste,subset=c(5,8,9,24)) windows() plot(,3) summary()[,]之內(nèi)，而且方程系數(shù)和方程本身也都通過檢驗(yàn)。 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。其實(shí)逐步回歸可以解決多重共線的問題。我們可以檢驗(yàn)一下step函數(shù)去掉變量后的共線性。step去掉了X3和X4。我們看看去掉他們的共線性如何。 XXcor(cement[1:2]) kappa(XX,exact=T)[1] 我們發(fā)現(xiàn)去掉X3和X4后，條件數(shù)降低好多好多。說明step函數(shù)是合理的。首先得把這個(gè)表格看懂。里面的數(shù)字應(yīng)該是有感染和無感染的人數(shù)。而影響變量有三個(gè)。我們把這些影響變量進(jìn)行編碼。如下。發(fā)生不發(fā)生抗生素X123危險(xiǎn)因子X245有無計(jì)劃X367是否感染Y10對(duì)數(shù)據(jù)的處理，如下X1X2X3Y頻數(shù)246112460172561025602247111247087257102570034612834603034712334703356183560323571035709然后用R處理并求解模型hospital(X1=rep(c(2,2,2,2,2,2,2,2,3,3,3,3,3,3,3,3),c(1,17,0,2,11,87,+ 0,0,28,30,23,3,8,32,0,9)),X2=rep(c(4,4,5,5,4,4,5,5,4,4,4,4,5,5,5,5),+ c(1,17,0,2,11,87,+ 0,0,28,30,23,3,8,32,0,9)),X3=rep(c(6,6,6,6,7,7,7,7,6,6,7,7,6,6,7,7),+ c(1,17,0,2,11,87,0,0,28,30,23,3,8,32,0,9)),+ Y=rep(c(1,0,1,0,1,0,1,0,1,0,1,0,1,0,1,0),c(1,17,0,2,11,87,0,0,28,30,23,3,8,32,0,9))+ ) glm(Y~X1+X2+X3,family=binomial,data=hospital) summary()，則方程的系數(shù)和方程本省全部通過檢驗(yàn)。下面我們來做一個(gè)預(yù)測(cè)，看看（使用抗生素，有危險(xiǎn)因子，有計(jì)劃）的一個(gè)孕婦發(fā)生感染的概率是多少。 prepredict(,(X1=2,X2=4,X3=6)) pexp(pre)/(1+exp(pre))。p 1 %（1） cofe(X=c(0,0,1,1,2,2,3,3,4,4,5,5,6,6),Y=c(,+,657,,)) lm(Y~X,data=cofe) summary()（2） lm(Y~X+I(X^2),data=cofe) summary()（3） plot(cofe$X,cofe$Y) abline() windows() plot(cofe$X,cofe$Y) lines(spline(cofe$X,fitted()))（1） pe(39。39。,header=T) glm(Y~X1+X2+X3+X4+X5,family=binomial,data=pe) summary()可以發(fā)現(xiàn)各變量影響基本都不顯著，甚至大部分還沒通過顯著性檢驗(yàn)。只有X1的系數(shù)通過了顯著性檢驗(yàn)，但是也不是很理想。下面計(jì)算每一個(gè)病人的生存時(shí)間大于200天的概率值。prepredict(,(X1=pe$X1,X2=pe$X2,X3=pe$X3,X4=pe$X4,X5=pe$X5)) pexp(pre)/(1+exp(pre)) p（2） step()結(jié)果是只保留了變量X1和X4。避免了多重共線性。更加合理一些。下面計(jì)算各個(gè)病人的存活概率。prepredict(,(X1=pe$X1,X2=pe$X2,X3=pe$X3,X4=pe$X4,X5=pe$X5)) exp(pre)/(1+exp(pre)) 顯然經(jīng)過逐步回歸后的模型更合理。用summary()看，第二個(gè)模型通過了顯著性檢驗(yàn)（a=）(1) 首先將公式線性化，對(duì)方程兩邊直接取對(duì)數(shù)即可。然后將得到的方程用lm回歸。 peo(X=c(2,5,7,10,14,19,26,31,34,38,45,52,53,60,65),+ Y=c(54,50,45,37,35,25
公司管理相關(guān)推薦
鄂ICP備17016276號(hào)-1