课程2

• 课程2
  • 归纳
  • 回归就是变量之间的关系
  • 相关系数
  • RSS
  • 线性回归通过R语言
  • 多元线性模型
  • 虚拟变量哑变量
  • 多元线性回归模型
  • 回归诊断
  • 广义线性模型

• 一元以及多元的线性回归，统计学东西比较多，统计学术语一堆堆的
• 《大数据的统计学基础》基础的基础
• logistic回归，划入广义线性回归模型。
• 变量筛选，从一堆变量中求解出来，以及降维。

1.归纳

拟合，一般选择直线或者次数比较低得曲线。（测试有误差，曲线如果经过每一个点，叫拟合过度。虽然模型内的非常准确，但是进行预测则可能更不准确）

学习集，预测。回归模型，w=a+bh

• 线性回归：
  • 一元线性(自变量一个)，
  • 多元线性（自变量多个，一次方程，是个曲面，高维空间中的超平面）；
• 非线性回归：二次，logistic等。非线性用线性表示,叫广义线性（如logistic）
• 困难：选定变量(多元)，降维是回归模型中的难点。世界规律都是用很简单的东西，

  多重共线性 （有些变量是打酱油的，怎么判断，怎么去掉）

  怎样检验模型是否合理，需要一些检验手段。

2.回归就是变量之间的关系

• 自变量和因变量的关系
• 函数关系：确定性，y=a+bx（a截距项、b斜率）
• 相关性：非确定性关系

3.相关系数

决定是否适合去做回归模型，相关系数去衡量线性相关性的强弱。

公式中的几个概念：

• 下标，表示第几个样本。
• x拔(求平均值)
• 西格玛(求和)如果不带上下标表示全部求和。
• 根据柯西不等式，都小于1.如果接近1，适合用线性回归模型
• 正相关系数，同增。负数，表示~~

4.RSS

• 哪个回归线效果最好呢：比较直观的做法，点到直线的距离，使得所有点得距离之和最小。
• 但是麻烦是，距离涉及到开方，很难转换为极值。就改为垂直线，or 平行于y轴，称为残差
• 绝对值在数学里不好求极值，所以改为求平方
• RSS: residual sum of squares, 剩余/误差/残差平方和，衡量预测值不真实值的差距
• RSS(最小二乘法)，二次函数求极值的方法。
• 如何求极值：求偏导数，有两个自变量，就需要求两个偏导数，然后解二元方程组。

5.线性回归通过R语言

• y=c(61,57,58,40,90,35,68)
• x=c(170,168,175,153,185,135,172)
• plot(x,y) #把散点画出来
• z=lm(y~x+1) #lm 假定 y=ax+b, 后面的+1可以不写
• z=lm(y~x-1) # 过原点，没有截距
• plot(y~x+1)
• summary(z) #求解，summary中各个字段含义：
  • (Intercept) 截距
  • residual 残差、
  • Residual standard 残差的标准差
  • Multiple R-squared: 相关系数平方，越高表示相关性越好
  • Adjusted R-squared:调整后的拟合优度，作用有限
  • t value假设检验的统计量t值，
  • Pr(>|t|) t以外的面积有多大，这个值越小越好。
  • F-statistic: F统计
  • p-value 整体的假设检验。不能说我有错。假设不对，回归模型是无效的
• plot(z) 要把图拉大些，有多个图，要按多个回车
• deviance(z) 误差平方和
• residuals(z) 计算残差
• print(z) 打印模型信息
• anova(z) 方法分析表

Analysis of Variance Table

Response: y
          Df  Sum Sq Mean Sq F value   Pr(>F)
x          1 197.633 197.633  47.943 0.006176 **
Residuals  3  12.367   4.122
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

预测,其中x是自变量，m是要预测的值，z是公式

m=data.frame(x=185)

predict(z,m)

6.多元线性模型

R语言中输入swiss，内置了swisss数据集

 swiss.lm=lm(Fertility~.,data=swiss)
 summary(swiss.lm)

数据太多时，残差用四分数表示：Min 1Q media 3Q Max

7.虚拟变量/哑变量

哑变量\虚拟变量，如sex这个分类变量用两个哑变量表示：isman,iswoman

• 加法模型，哑变量用来调整截距：,如w=a+bh+c*isman
• 乘法模型，哑变量用来调整斜率, 如w=a+bh+c*isman*h
• 混合模型，即影响截距和斜率上，w=a+bh+c*isman+d*isWoman+e*isman*h+f*isWoman*h+g

8.多元线性回归模型

模型修正,参见R-Modeling 324页

• lm.new<-update(lm.sol, .~.+I(X2^2)) #I(X2^2) 表示X2的平方项
• lm2.new<-update(lm.new, .~.-X2) #去掉X2的一次项
• lm3.new<-update(lm.new, .~.+X1*X2) #增加考虑X1和X2的一次项

说明：这个修正都是靠着分析师的经验和肉眼观察，碰出来的。统计学上有没有机械化的，支持变量选择的方法呢，这个有—逐步回归。有下面几种种：

• 向前引入法：从一元回归开始，逐步增加变量
• 向后剔除法：所有变量，逐步剔除
• 逐步筛选法：结合上述两种

评定方法：

• RSS(残差平方和),对应summary结果的Residual standard error
• R^2(相关系数平方),对应summary结果的Multiple R-squared
• AIC (Akaike information criterion)赤池信息准则

s=lm(Fertility~.,data=swiss)
s1=step(s,direction="forward") #已经没有变量可以增加了
s1=step(s,direction="backward")
s1=step(s,direction="both")

手工回归,R-Modeling 334页

• add1()
• drop1()

9.回归诊断

• 样本是否符合正态分布？
  • 正态性检验:函数shapiro.test( x$x1)
  • P>0.05,正态性分布
• 学习集/是否存在离群值?怎么发现离群值
• 线性模型是否合理？可能自然界的关系更复杂
• 误差是否满足独立性、等方差（误差与y大小没有关系）
  • 如果样本是正态分布的，残差residuals()也是正态分布的
• 多重共线性（自变量不是独立的）
  • 多重共线性存在，会导致求逆矩阵的结果非常不确定
  • Kappa值，希腊字母，把样本的数据乘以它的矩阵的转置，在求特征根，最大值除以最小值
  • k<100,说明共线性程度小,如果100< k< 1000,有较强的多重共线性,k>1000,在严重的多重共线

10.广义线性模型

• 非线性
• S型曲线，统计学非常有名，叫logistic曲线
• glm() 拟合广义线性模型(Fitting Generalized Linear Models)

下面是Norell实验：

norell<-data.frame(x=0:5, n=rep(70,6),success=c(0,9,21,47,60,63))
norell$Ymat<- cbind(norell$success, norell$n-norell$success)
glm.sol<-glm(Ymat~x, family=binomial, data=norell)
summary(glm.sol)

广义线性模型转换为线性的方法

• 对数法,y=a+b logx，lm.log=lm(y~log(x))
• 指数法,y=a ebx，lm.exp=lm(log(y)~x)
• 幂函数法,y=a xb，lm.pow=lm(log(y)~log(x))