R语言分段回归数据分析案例报告

 原文：http://tecdat.cn/?p=3805

我们在这里讨论所谓的“分段线性回归模型”，因为它们利用包含虚拟变量的交互项。

读取数据

data=read.csv("artificial-cover.csv")

查看部分数据

head(data)

##   tree.cover shurb.grass.cover
## 1       13.2              16.8
## 2       17.2              21.8
## 3       45.4              48.8
## 4       53.6              58.7
## 5       58.5              55.5
## 6       63.3              47.2

 

###########用lm拟合，主要注意部分是bs（age,knots=c(...)）这部分把自变量分成不同部分
fit =lm(tree.cover~bs(shurb.grass.cover ,knots
############进行预测，预测数据也要分区
pred= predict (fit , newdata =list(shurb.grass.cover =data$shurb.grass.cover),se=T)
#############然后画图
plot(fit)

可以构造一个相对复杂的 LOWESS 模型（span参数取小一些），然后和一个简单的模型比较，如：

qplot(x, y) + geom_smooth()  # 总趋势

散点图分为两部分

我们可以将原始散点图分为两部分，并拟合两条单独但相连的线。估计的分段式函数连接，在描述数据趋势方面做得更好。

因此，让我们为这些数据建立一个分段线性回归模型并可视化：

0) + geom_smooth() + theme(panel.background = element_rect(fill = 'white', colour = 'black')) 

 

---

最受欢迎的见解

1.R语言多元Logistic逻辑回归 应用案例

2.面板平滑转移回归(PSTR)分析案例实现

3.matlab中的偏最小二乘回归（PLSR）和主成分回归（PCR）

4.R语言泊松Poisson回归模型分析案例

5.R语言回归中的Hosmer-Lemeshow拟合优度检验

6.r语言中对LASSO回归，Ridge岭回归和Elastic Net模型实现

7.在R语言中实现Logistic逻辑回归

8.python用线性回归预测股票价格

9.R语言如何在生存分析与Cox回归中计算IDI，NRI指标