读取数据

data=read.csv("E:/climate_change_download_0 (1).csv")  
  
data=na.omit(data)  
# data[which(data=="..")]=0  
x=data[,c(7:ncol(data))]  
x[which(x=="..",arr.ind = T)]=0

lasso 模型

对数据进行lasso模型筛选变量：

转换数据类型

for(i in 1:ncol(X))X[,i]=as.numeric(X[,i])

使用lasso方法排除回归模型中的多重共线性是有必要的。在对lasso模型参数的确定过程中，进行统计降尺度时将df设置为17时，cp值最小，因此我们选择1999-2006年的数据较为合理，既能起到对相关的预报因子限制的作用保证了预测结果的稳定性，又不至于掩盖预报因子的贡献以至于丧失模型预测的准确性。

使用ridge regression回归模型

plot(lm.rid

选择GCV为100，带入岭回归模型的lambda中

使用岭回归方法排除回归模型中的多重共线性是有必要的。在对岭回归模型参数α的确定过程中，本文认为在使用岭回归模型对地区土地面积进行统计尺度时将GCV设置为100较为合理，当α过小时，正则项起不到作用，回归模型各项系数分散，此时模型如普通最小二乘多元回归模型，出现过拟合现象，预测结果不稳定;当α过大时，模型各项系数收敛到一处，出现欠拟合现象，预测结果不准确;而当α合理确定时，平衡了模型的稳定性和准确性。