逐步回归分析是以AIC信息统计量为准则,通过选择最小的AIC信息统计量,来达到删除或增加变量的目的。
R语言中用于逐步回归分析的函数 step() drop1() add1()
tdata<-data.frame(
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(78.5,74.3,104.3,87.6,95.9,109.2,102.7,72.5,
93.1,115.9,83.8,113.3,109.4)
)
tlm<-lm(Y~x1+x2+x3+x4,data=tdata)
summary(tlm)
多元线性回归结果分析
tstep<-step(tlm)
summary(tstep)
结果分析:当用x1 x2 x3 x4作为回归方程的系数时,AIC的值为26.94
去掉x3 回归方程的AIC值为24.974;去掉x4 回归方程的AIC值为25.011……
由于去x3可以使得AIC达到最小值,因此R会自动去掉x3;
去掉x3之后 AIC的值都增加 逐步回归分析终止 得到当前最优的回归方程
回归系数的显著性水平有所提高 但是x2 x4的显著性水平仍然不理想
drop1(tstep)
结果分析
如果去掉x4 AIC的值从24.974增加到25.420 是三个变量中增加最小的
tlm<-lm(Y~x1+x2,data=tdata)
summary(tlm)
因此所得回归方程为y=52.57735+ 1.46831x1+ 0.66225x2.