【文章內容簡介】 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)結論是有線性關系的。（2）（3） lm(Y~1+X,data=snow)。summary()結果是方程是顯著的（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X2和X3的系數沒有通過t檢驗。但是整個方程通過了檢驗。（3） step() summary()可以發(fā)現新模型只含有X1和X3，但是X3的系數還是不顯著。接下來考慮用drop1函數處理 drop1()發(fā)現去掉X3殘差升高最小，AIC只是有少量增加。因此應該去掉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24,27,28.（4） update(,sqrt(.)~.) summary()都通過檢驗 plot(da$X,da$Y) abline() windows() plot(,1) windows() plot(,3)可以發(fā)現還是有殘差離群值24,28 lm(Y~1+X1+X2,data=toothpaste)。summary() () plot(,3),8,9,24對樣本影響較大，可能是異常值點，而通過殘差圖發(fā)現5是殘差離群點，但是整個殘差還是在[2,2]之內的。因此可考慮剔除5,8,9,24點再做擬合。 lm(Y~1+X1+X2,data=toothpaste,subset=c(5,8,9,24)) windows() plot(,3) summary()[,]之內，而且方程系數和方程本身也都通過檢驗。 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)現變量的多重共線性很強，且有+++=0說明X1,X2，X3，X4多重共線。其實逐步回歸可以解決多重共線的問題。我們可以檢驗一下step函數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)現去掉X3和X4后，條件數降低好多好多。說明step函數是合理的。首先得把這個表格看懂。里面的數字應該是有感染和無感染的人數。而影響變量有三個。我們把這些影響變量進行編碼。如下。發(fā)生不發(fā)生抗生素X123危險因子X245有無計劃X367是否感染Y10對數據的處理，如下X1X2X3Y頻數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()，則方程的系數和方程本省全部通過檢驗。下面我們來做一個預測，看看（使用抗生素，有危險因子，有計劃）的一個孕婦發(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$X,fitted()))（1） pe(39。39。,header=T) glm(Y~X1+X2+X3+X4+X5,family=binomial,data=pe) summary()可以發(fā)現各變量影響基本都不顯著，甚至大部分還沒通過顯著性檢驗。只有X1的系數通過了顯著性檢驗，但是也不是很理想。下面計算每一個病人的生存時間大于200天的概率值。prepredict(,(X1=pe$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。下面計算各個病人的存活概率。prepredict(,(X1=pe$X1,X2=pe$X2,X3=pe$X3,X4=pe$X4,X5=pe$X5)) exp(pre)/(1+exp(pre)) 顯然經過逐步回歸后的模型更合理。用summary()看，第二個模型通過了顯著性檢驗（a=）(1) 首先將公式線性化，對方程兩邊直接取對數即可。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