R语言与简单的回归分析

回归模型是计量里最基础也最常见的模型之一。究其原因，我想是因为在实际问题中我们并不知道总体分布如何，而且只有一组数据，那么试着对数据作回归分析将会是一个不错的选择。

一、简单线性回归

简单的线性回归涉及到两个变量：一个是解释变量，通常称为x；另一个是被解释变量，通常称为y。回归会用常见的最小二乘算法拟合线性模型：

yi = β0 + β1xi +εi

其中β0和β1是回归系数，εi表示误差。

在R中，你可以通过函数lm()去计算他。Lm()用法如下：

lm(formula, data, subset, weights, na.action,

method = "qr", model = TRUE, x = FALSE, y = FALSE, qr = TRUE,

singular.ok = TRUE, contrasts = NULL, offset, ...)

参数是formula模型公式，例如y ~ x。公式中波浪号（~）左侧的是响应变量，右侧是预测变量。函数会估计回归系数β0和β1，分别以截距（intercept）和x的系数表示。

有三种方式可以实现最小二乘法的简单线性回归，假设数据wage1（可以通过names函数查看数据框各项名称）

（1）lm(wage1$wage ~ wage1$educ + wage1$exper)

（2）lm (wage ~ educ + exper, data= wage1)

（3）attach(wage1)

lm(wage~educ+exper)#不要忘记处理完后用detach（）解出关联

我们以数据wage1为例，可以看到工资与教育水平的线性关系：

运行下列代码：

library(foreign)

A<-read.dta("D:/R/data/WAGE1.dta")#导入数据

lm(wage~educ,data=A)

>lm(wage~educ,data=A)

Call:

lm(formula = wage~ educ, data = A)

Coefficients:

(Intercept)         educ 

-0.9049      0.5414

当然得到这些数据是不够的，我们必须要有足够的证据去证明我们所做的回归的合理性。那么如何获取回归的信息呢？

尝试运行以下代码：

result<-lm(wage~educ,data=A)

summary(result)

我们可以得到以下结果：

Call:

lm(formula = wage~ educ, data = A)

Residuals:

Min     1Q     Median     3Q     Max

-5.3396   -2.1501    -0.9674     1.1921    16.6085

Coefficients:

Estimate   Std.Error    t value  Pr(>|t|)   

(Intercept)   -0.90485   0.68497   -1.321   0.187   

educ         0.54136    0.05325 10.167   <2e-16 ***

---

Signif.codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05‘.’ 0.1 ‘ ’ 1

Residual standarderror: 3.378 on 524 degrees of freedom

MultipleR-squared: 0.1648,     AdjustedR-squared: 0.1632

F-statistic: 103.4on 1 and 524 DF,   p-value: < 2.2e-16

解读上述结果，我们不难看出，单从判决系数R-squared上看，回归结果是不理想的，但是，从p值来看，我们还是可以得到回归系数是很显著地（注意，这里的P<0.05就可以认为拒绝回归系数为0，即回归变量与被解释变量无关的原择假设，选择备择假设）所以说我们的回归的效果不好但还是可以接受的。当然，这一点也可以通过做散点图给我们直观的印象：

但是影响薪酬的因素不只是education，可能还有其他的，比如工作经验，工作任期。为了更好地解释影响薪酬的因素，我们就必须用到多元线性回归。

如果不需要那么多的信息，比如我们只需要F统计量，那么运行anova（result）即可得到方差分析表，更适合阅读。

另外，再介绍一下函数predict，用法如下：

predict(object, newdata, se.fit = FALSE, scale = NULL, df = Inf, interval = c("none", "confidence", "prediction"), level = 0.95, type = c("response", "terms"), terms = NULL, na.action = na.pass, pred.var = res.var/weights, weights = 1, ...)说明一下，newdata的数据结构是一个数据框。           这里还值得一提的参数时interval，他有三个选项：none代表不作区间预测，仅给出响应变量的估计；confidence是给出E（Y|X=x）的置信区间；prediction是给出真实Y的置信区间，运行代码你就会发现两者的差别。出于稳健性考虑，给出自变量取值时，预测Y值通常会采用prediction参数，但是对于X=x时Y的均值的预测就应该用confidence参数（因为回归模型是Y=βX+e，所以自变量相同，响应变量也未必一样）

二、多元线性回归

还是使用lm函数。在公式的右侧指定多个预测变量，用加号（+）连接：

> lm(y ~ u + v+ w)

显然，多元线性回归是简单的线性回归的扩展。可以有多个预测变量，还是用OLS计算多项式的系数。三变量的回归等同于这个线性模型：

yi = β0 + β1ui +β2vi + β3wi + εi

在R中，简单线性回归和多元线性回归都是用lm函数。只要在模型公式的右侧增加变量即可。输出中会有拟合的模型的系数：

>result1<-lm(wage~educ+exper+tenure,data=A)

>summary(result1)

Call:

lm(formula = wage~ educ + exper + tenure, data = A)

Residuals:

Min     1Q    Median      3Q    Max

-866.29    -249.23   -51.07   189.62   2190.01

Coefficients:

Estimate    Std.Error    t value   Pr(>|t|)   

(Intercept)    -276.240   106.702   -2.589   0.009778 **

educ          74.415      6.287  11.836   <2e-16 ***

exper         14.892      3.253  4.578   5.33e-06 ***

tenure         8.257      2.498  3.306   0.000983 ***

---

Signif.codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05‘.’ 0.1 ‘ ’ 1

Residual standarderror: 374.3 on 931 degrees of freedom

MultipleR-squared: 0.1459,     AdjustedR-squared: 0.1431

F-statistic:    53 on 3 and 931 DF,   p-value: < 2.2e-16

我们将数据稍作平稳化处理，将wage换成log（wage），再来看看。

>plot(wage~educ,data=A)

>A$logwage<-log(A$wage)

>result1<-lm(logwage~educ+exper+tenure,data=A)

>summary(result1)

Call:

lm(formula =logwage ~ educ + exper + tenure, data = A)

Residuals:

Min      1Q    Median      3Q      Max

-2.05802     -0.29645   -0.03265  0.28788   1.42809

Coefficients:

Estimate   Std. Error   t value   Pr(>|t|)   

(Intercept)   0.284360  0.104190   2.729   0.00656**

educ        0.092029   0.007330 12.555  < 2e-16 ***

exper       0.004121   0.001723  2.391  0.01714 * 

tenure      0.022067  0.003094   7.133 3.29e-12 ***

---

Signif.codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05‘.’ 0.1 ‘ ’ 1

Residual standarderror: 0.4409 on 522 degrees of freedom

MultipleR-squared: 0.316,      AdjustedR-squared: 0.3121

F-statistic: 80.39on 3 and 522 DF,   p-value: < 2.2e-16

看得出，平稳化后的数据线性性是更加好的。

下面我们来提取回归分析的各项统计数据：

一些统计量和参数都被存储在lm或者summary中

output <-summary (result1)

SSR<- deviance（result1）＃残差平方和；（另一种方法：RSquared <- output$r.squared)

LL<-logLik(result1) #对数似然统计量

DegreesOfFreedom<-result1$df #自由度

Yhat<- result1$fitted.values#拟合值向量

Resid<- result1$residuals

s<-output$sigma #误差标准差的估计值（假设同方差）

CovMatrix <-s^2*output$cov #系数的方差－协方差矩阵（与vcov(result1)同）

ANOVA<-anova(result1)#F统计量

confidentinterval<-confint(result1)#回归系数的置信区间,level=0.95

effects(result1)#计算正交效应向量（Vector of orthogonal effects ）

predict函数用法与一元完全相同

三、检查结果

检查回归结果是一件复杂而痛苦地事情，需要检验的东西也很多，当然有不少事是应该在数据进行回归分析之前就该处理的，比如检查复共线性；也有处理中需要考虑的，比如模型的选择，数据的变换；也有事后需要做的，比如残差正态性检验；还有需要关注与特别处理的数据，比如离群点，杠杆点。

这里我们只提最简单与最常见的事后处理的基本分析。

通过图形我们可以以一种十分直观的办法检测我们的拟合效果：

plot(result1)

通过扩展包car中的函数来检测异常值与主要影响因子。代码如下：
library(car) 
outlierTest(result1)
influence.measures(result1)

在R中，线性回归计算变得无比简单，一个lm函数（或glm函数）基本上就摆平了OLS的一切。但拟合数据还仅仅是万里长征第一步。最终决定成败的是拟合的模型是否能真正地派上用场。这样对结果的检测与分析就显得尤为重要。