poly - function (x, deg = 1) {
xbar = mean(x)
x = x - xbar
QR = qr(outer(x, 0:degree, "^"))
X = qr.qy(QR, diag(diag(QR$qr),

这两个模型是等效的。

 
dist~speed+I(speed^2)+I(speed^3)
dist~poly(speed,3)

我们有完全相同的预测

 
v1[u==15]
121 
38.43919 
v2[u==15]
121 
38.43919

B样条曲线（B-spline curve）和GAM

样条曲线在回归模型中也很重要，尤其是当我们开始讨论 广义加性模型时。在单变量情况下，我通过引入（线性）样条曲线，

模型是连续的（连续函数的加权总和是连续的）。我们可以进一步 

二次样条

用于三次样条。有趣的是，二次样条不仅是连续的，而且它们的一阶导数也是连续的（三次样条是连续的）。这些模型易于解释。例如，简单的模型

是以下连续的分段线性函数，在节点s处分段。

还应遵守以下解释：对于xx较小的值，线性增加，斜率\beta_1β1\;对于xx较大的值，线性减小，斜率\ beta_1 + \beta_2β1+β2。因此，\beta_2β2被解释为斜率的变化。

现在在R中使用bs函数（即标准B样条）并可视化

 
x = seq(5,25,by=.25)
B = bs(x,knots=c(10,20),Boundary.knots=c(5,55),degre=1)
matplot(x,B,type="l",lty=1,lwd=2,col=clr6)

提到的函数如下

 
par(mfrow=c(1,2))
 
matplot(x,B,type="l",lty=1,lwd=2)
 
matplot(x,B,type="l",col=clr)

多项式回归中这两个模型表示方法是等效的。例如

dist~speed+pos(speed,10)+pos(speed,20
dist~bs(speed,degree=1,knots=c(10,20)

v1[u==15]
121 
39.35747 
v2[u==15]
121 
39.35747

这两个模型以及系数的解释是等效的：

summary(reg1)
 
Coefficients:
Estimate Std. Error t value Pr(>|t|) 
(Intercept) -7.6305 16.2941 -0.468 0.6418 
speed 3.0630 1.8238 1.679 0.0998 .
pos(speed, 10) 0.2087 2.2453 0.093 0.9263 
pos(speed, 20) 4.2812 2.2843 1.874 0.0673 .
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
 
Residual standard error: 15 on 46 degrees of freedom
Multiple R-squared: 0.6821,	Adjusted R-squared: 0.6613 
F-statistic: 32.89 on 3 and 46 DF, p-value: 1.643e-11
 
summary(reg2)
 
Coefficients:
Estimate Std. Error t value Pr(>|t|) 
(Intercept) 4.621 9.344 0.495 0.6233 
bs(speed, degree = 1, knots = c(10, 20))1 18.378 10.943 1.679 0.0998 . 
bs(speed, degree = 1, knots = c(10, 20))2 51.094 10.040 5.089 6.51e-06 ***
bs(speed, degree = 1, knots = c(10, 20))3 88.859 12.047 7.376 2.49e-09 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
 
Residual standard error: 15 on 46 degrees of freedom
Multiple R-squared: 0.6821,	Adjusted R-squared: 0.6613 
F-statistic: 32.89 on 3 and 46 DF, p-value: 1.643e-11

在这里我们可以直接看到，第一个结点的斜率没有明显变化。