統(tǒng)計建模與r軟件課后答案-在線瀏覽
2024-07-31 02:20本頁面
【正文】 ),sd(x)) (y,39。,mean(y),sd(y))采用pearson擬合優(yōu)度法對x進(jìn)行檢驗 Atable(cut(x,br=c(2,0,2,4,6,8))) A(2,0] (0,2] (2,4] (4,6] (6,8] 4 4 6 4 1發(fā)現(xiàn)A中有頻數(shù)小于5，故應(yīng)該重新調(diào)整分組 Atable(cut(x,br=c(2,2,4,8))) A(2,2] (2,4] (4,8] 8 6 5然后再計算理論分布 ppnorm(c(2,2,4,8),mean(x),sd(x)) pc(p[2],p[3]p[2],1p[3])最后檢驗 (A,p=p)采用pearson擬合優(yōu)度法對y進(jìn)行檢驗 Btable(cut(y,br=c(,1,2,4,7))) B(,1] (1,2] (2,4] (4,7] 5 5 5 5 ppnorm(c(1,2,4),mean(y),sd(y)) pc(p[1],p[2]p[1],p[3]p[2],1p[3]) (B,p=p)以上的所有結(jié)果都不再列出，結(jié)論是試驗組和對照組都是來自正態(tài)分布。pnorm39。greater39。 x0:5。l39。l39。pnorm39。pnorm39。 xc(24,17,20,41,52,23,46,18,15,29) yc(8,1,4,7,9,5,10,3,2,6) (x,y,method=39。) (x,y,method=39。)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。summary()結(jié)果是方程是顯著的（4） predict(,(X=7),interval=39。,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)。但是整個方程通過了檢驗。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。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。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(xiàn)5是殘差離群點，但是整個殘差還是在[2,2]之內(nèi)的。 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。其實逐步回歸可以解決多重共線的問題。step去掉了X3和X4。 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。首先得把這個表格看懂。而影響變量有三個。如下。下面我們來做一個預(yù)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。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$X,fitted()))（1） pe(39。,header=T) glm(Y~X1+X2+X3+X4+X5,family=binomial,data=pe) summary()可以發(fā)現(xiàn)各變量影響基本都不顯著，甚至大部分還沒通過顯著性檢驗。下面計算每一個病人的生存時間大于200天的概率值。避免了多重共線性。下面計算各個病人的存活概率。用summary()看，第二個模型通過了顯著性檢驗（a=）(1) 首先將公式線性化，對方程兩邊直接取對數(shù)即可。 peo(X=c(2,5,7,10,14,19,26,31,34,38,45,52,53,60,65),+ Y=c(54,50,45,37,35,25,20,16,18,13,8,11,8,4,6)) lm(log(Y)~1+X,data=peo)。第七章（1）pro(Y=c(115,116,98,83,103,107,118,116,73,89,85,97),+ X=factor(rep(1:3,rep(4,3)))) aov(Y~X,data=pro) summary()可以看到不同工廠對產(chǎn)品的影響是顯著的（2）首先自己編寫求均值的小程序如下 Kmatrix(0,nrow=1,ncol=3,dimnames=list(39。,c(39。,39。,39。))) for(i in 1:3)+ K[1,i]mean(pro$Y[pro$X==i]) K 甲 乙 丙mean 103 111 86 (pro$Y[pro$X==1])。 (pro$Y[pro$X==3])。（2） (old$Y,old$X)直接從結(jié)果就可以發(fā)現(xiàn)國內(nèi)只有以工廠和丙工廠與國外工廠有顯著差異。 rat(X=c(30,27,35,35,29,33,32,36,26,41,33,31,43,45,53,44,+ 51,53,54,37,47,57,48,42,82,66,66,86,56,52,76,83,72,73,59,53),+ A=gl(3,12)) (rat$X[A==1]) (rat$X[rat$A==2]) (rat$X[rat$A==3]) (X~A,data=rat)可以看到數(shù)據(jù)符合正態(tài)性但是不是方差齊性的 rat(Y=c(,+ ,+ ),X=gl(3,8)) aov(Y~X,data=rat) summary()結(jié)果是顯著的 sleep(Y=c(,+ ,+ ,),X=gl(4,8)) aov(Y~X,data=sleep) summary()結(jié)果是不顯著（1） pro(Y=c(,+ ,),A=gl(3,2,18),B=gl(3,6,18)) aov(Y~A+B+A:B,data=pro)。下面我們來計算它們各個水平下的均值。如下 abfunction(x,y){+ nlength(x)。A39。B39。AB39。然后選擇A，選擇水平3，那么B只能在1和2中選擇。 mean(pro$Y[pro$A==3amp。pro$B==1])（3） (pro$Y,pro$AB) (pro$Y,pro$B) (pro$Y,pro$A) rice(A=gl
公司管理相關(guān)推薦
鄂ICP備17016276號-1