統(tǒng)計(jì)建模與r軟件課后答案(參考版)
2025-06-23 02:20本頁面
【正文】 )。,ylab=39。) plot(U[,3],V[,3],xlab=39。,ylab=39。) plot(U[,2],V[,2],xlab=39。,ylab=39。 U(kidc[,1:3])%*%$xcoef V(kidc[,4:6])%*%$ycoef oparpar(mfrow=c(3,1)) plot(U[,1],V[,1],xlab=39。,header=T) kidcscale(kid) cancor(kidc[,1:3],kidc[,4:6]) source(E:\\Documents\\R\\自編函數(shù)\\) ($cor,40,p=3,q=3)[1] 2由此可見，我們應(yīng)該從前兩對(duì)典型相關(guān)變量里來對(duì)數(shù)據(jù)進(jìn)行分析。 kid(39。) text(fa$scores[,1],fa$scores[,2])從圖上直觀看出，第7位同學(xué)文科強(qiáng)而理科弱，第8,10位同學(xué)理科強(qiáng)而文科弱。) plot(fa$scores[,1:2],type=39。（2） fafactanal(X,factors=2,scores=39。因此第一個(gè)因子可以叫做體長(zhǎng)因子，第二個(gè)可以叫做身寬因子。胸寬39。胸圍39。頸圍39。體重39。下肢長(zhǎng)39。上肢長(zhǎng)39。手臂長(zhǎng)39。身高39。 prpredict() exp$z1pr[,1] exp$z2pr[,2] lm(y~z1+z2,data=exp) summary()最后的回歸方程不再列出。前兩個(gè)主成分的累積貢獻(xiàn)率已經(jīng)達(dá)到99%。 exp(x1=c(,88,131,+ ),x2=c(92,93,96,94,100,101,105,112,112,112),x3=c(,29,+ 34,40,44,49,51,53),x4=c(94,96,97,97,100,101,104,109,111,111),y=c(,+ ,)) prinp(~x1+x2+x3+x4,data=exp,cor=T) summary()。文教用品39。造紙39。皮革39?？p紉39。紡織39。食品39。森工39。建材39。機(jī)械39?；瘜W(xué)39。煤炭39。電力39。冶金39。下面我們只保留前四個(gè)主成分，來對(duì)這13個(gè)行業(yè)進(jìn)行分類，即聚類分析。 summary()，這牽涉到經(jīng)濟(jì)學(xué)知識(shí)，我不懂。39。ward39。centroid39。average39。plete39。39。ward39。centroid39。average39。plete39。39。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。AC39。AB39。C39。B39。A39。summary()從分析結(jié)果可以看出，顯著性大小為BABAC，其余均不顯著下面再計(jì)算出均值，從而就可以依據(jù)顯著性來選擇最優(yōu)參數(shù)了 abfunction(x,y){+ nlength(x)。此題暫且不做首先把正交試驗(yàn)表的結(jié)果那一列給計(jì)算出來。施肥量39。密度39。品種39。summary()可以看到影響均不顯著，那么我們干脆直接按照各因素水平的均值大小來取。pro$B==1]) (pro$Y[pro$A==3amp。下面給出A3B1的點(diǎn)估計(jì)和區(qū)間估計(jì)。))) for( i in 2:4)+ for(j in 1:3)+ K[j,i1]mean(pro$Y[pro[i]==j]) K A B AB1 2 3 NaN按照影響力越大（即P值越?。覀兪紫却_定AB應(yīng)選擇水平2，即A和B 不等的是最好的。,39。,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$B)然后我們開始計(jì)算各個(gè)水平的均值，如下 Kmatrix(0,nrow=3,ncol=3,dimnames=list(1:3,c(39。首先要交互作用給找出來。summary()結(jié)果是A和B及其交互作用都是十分顯著的（2）首先我們要選出最優(yōu)條件組合，由（1）知影響力為ABAB。而國(guó)內(nèi)只有甲乙，甲丙之間存在著顯著差異。（3） (pro$Y,pro$X) 1 2 2 3 可以看到顯著性主要有乙工廠和丙工廠造成（1） old(Y=c(20,18,19,17,15,16,13,18,22,17,26,19,26,28,+ 23,25,24,25,18,22,27,24,12,14),X=factor(rep(1:4,c(10,6,6,2)))) aov(Y~X,data=old) summary()可以發(fā)現(xiàn)影響是非常顯著的。 (pro$Y[pro$X==2])。丙39。乙39。甲39。mean39。summary()Coefficients: Estimate Std. Error t value Pr(|t|) (Intercept) ***X *** summary() exp($coefficients[1,1])[1] 所以theta0=,theta1=（2） nls(Y~b0*exp(b1*X),data=peo,start=list(b0=50,b1=0)) summary()Parameters: Estimate Std. Error t value Pr(|t|) b0 ***b1 ***發(fā)現(xiàn)所求的基本上與內(nèi)在線性相同。然后將得到的方程用lm回歸。prepredict(,(X1=pe$X1,X2=pe$X2,X3=pe$X3,X4=pe$X4,X5=pe$X5)) exp(pre)/(1+exp(pre)) 顯然經(jīng)過逐步回歸后的模型更合理。更加合理一些。prepredict(,(X1=pe$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。只有X1的系數(shù)通過了顯著性檢驗(yàn)，但是也不是很理想。39。 prepredict(,(X1=2,X2=4,X3=6)) pexp(pre)/(1+exp(pre))。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)。我們把這些影響變量進(jìn)行編碼。里面的數(shù)字應(yīng)該是有感染和無感染的人數(shù)。說明step函數(shù)是合理的。我們看
公司管理相關(guān)推薦
鄂ICP備17016276號(hào)-1