一：回归的类型
简单线性：用一个量化的解释变量预测一个量化的相应变量
多项式：用一个来量化的解释变量预测一个量化的相应变量，模型的关系是n阶多项式
多层：用拥有等级结构的数据预测一个响应变量（例如学校中教室里的学生）。也被称为分层模型，嵌套模型或混合模型
多元线性：用两个或多个量化的解释变量预测一个量化的 响应变量
多变量：用一个或多个解释变量预测多个相应变量
Logistic：用一个或多个解释变量预测一个类别型响应变量
泊松：用一个或多个解释变量预测一个代表频率的响应变量
Cox比例风险：用一个或多个解释变量预测一个时间发生的时间
时间序列：对误差项相关的时间序列数据建模
非线性：用一个或多个解释变量预测一个类别型响应变量，不过模型是非线性的
非参数：用一个或多个解释变量预测一个类别型响应变量，模型的形式源数据形式，不事先设定
稳健：用一个或多个解释变量预测一个类别型响应变量，能抵御强影响点的干扰
二：OLS回归
OLS回归是通过预测变量的加权和来预测量化的因变量，其中权重是通过数据估计而得以的参数。使残差平方和最小
为能够恰当地解释OLS模型的系数，数据必须满足以下统计假设：
（1）正态性对于固定的自变量，因变量值成正态分布
（2）独立性 Yi值之间相互独立
（3）线性 因变量与自变量之间为线性相关
（4）同方差性因变量的方差不随自变量的水平不同而变化，即不变方差或同方差性
三： 用lm（）拟合回归模型
拟合线性模型最基本的函数就是lm（），格式为：
myfit<-lm(formula,data)
formula指要拟合的模型形式，data是一个数据框，包含了用于拟合模型的数据
formula形式如下：Y~X1+X2+……+Xk （~左边为响应变量，右边为各个预测变量，预测变量之间用+符号分隔）
以上为r语言回归的基本理论，下篇文章，为大家提供实战的“简单新型回归”“多项式回归”有疑问欢迎留言~~
网友评论