mtcars 数据集的线性回归

内置的 mtcars 数据框包含有关 32 辆汽车的信息,包括它们的重量,燃油效率(以每加仑英里数计),速度等。(要了解有关数据集的更多信息,请使用 help(mtcars))。

如果我们对燃油效率(mpg)和重量(wt)之间的关系感兴趣,我们可以开始用以下方法绘制这些变量:

plot(mpg ~ wt, data = mtcars, col=2)

这些图显示了(线性)关系! 然后,如果我们想要执行线性回归来确定线性模型的系数,我们将使用 lm 函数:

fit <- lm(mpg ~ wt, data = mtcars)

~在这里的意思是解释为,所以公式 mpg ~ wt 意味着我们正在预测 mpg,正如 wt 所解释的那样。查看输出的最有用方法是:

summary(fit)

这给出了输出:

Call:
lm(formula = mpg ~ wt, data = mtcars)

Residuals:
    Min      1Q  Median      3Q     Max 
-4.5432 -2.3647 -0.1252  1.4096  6.8727 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  37.2851     1.8776  19.858  < 2e-16 ***
wt           -5.3445     0.5591  -9.559 1.29e-10 ***Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 3.046 on 30 degrees of freedom
Multiple R-squared:  0.7528,    Adjusted R-squared:  0.7446 
F-statistic: 91.38 on 1 and 30 DF,  p-value: 1.294e-10

这提供了以下信息:

  • 每个系数的估计斜率(wt 和 y-截距),这表明 mpg 的最佳拟合预测是 37.2851 + (-5.3445) * wt
  • 每个系数的 p 值,表明截距和重量可能不是偶然的
  • 总体估计拟合,如 R ^ 2 和调整后的 R ^ 2,它们显示了 mpg 中有多少变化由模型解释

我们可以在第一个图中添加一行来显示预测的 mpg

abline(fit,col=3,lwd=2)

也可以将等式添加到该图中。首先,用 coef 获得系数。然后使用 paste0 我们用适当的变量和+/- 来折叠系数,以建立方程。最后,我们使用 mtext 将其添加到绘图中:

bs <- round(coef(fit), 3) 
lmlab <- paste0("mpg = ", bs[1],
             ifelse(sign(bs[2])==1, " + ", " - "), abs(bs[2]), " wt ")
mtext(lmlab, 3, line=-2) 

结果是: StackOverflow 文档