数据拟合图

---

---

残差分析

par(mfrow=c(2,2))  
plot(lmmod)

stepmod=step(lmmod,direction="both",trace=T);

由于P<0.05，于是在α=0.05水平下，本例的回归系数有统计学意义，体重、年龄、胸围和体脂存在回归关系。

案例2：公交绿色出行与全球变暖回归分析

查看数据

head(data)

查看数据概况

删除缺失数据

data[ data== "<NA>"]=NA  
datanew=na.omit(data)

相关分析

corrgram(datanew[,c("支持程度.1-7","污染严重"  ,"区域主因" ,"公交出行" , "

使用cor函数来查看不同变量之间的相关系数

##查看支持程度和不同变量之间的相关系数  
cormat[1,]

## 支持程度.1-7     污染严重     区域主因     公交出行     全球变暖  
##  1.000000000  0.057896120  0.007793092  0.195963899  0.118643706  
##     工业变暖     尾气变暖     公交了解     公交满意     个人影响  
##  0.038408531  0.265162650 -0.028947130  0.061299236  0.561345590  
##     有效治堵     有效减排     通勤方式     收费区域     收费时段  
##  0.647623352  0.582528538 -0.067935998 -0.025646569 -0.086475704  
##     收入用途  
##  0.064924787

cor.test(datanew$`支持程度.1-7`,datanew$公交出行)

##  
##  Pearson's product-moment correlation  
##  
## data:  datanew$`支持程度.1-7` and datanew$公交出行  
## t = 5.5525, df = 772, p-value = 3.875e-08  
## alternative hypothesis: true correlation is not equal to 0  
## 95 percent confidence interval:  
##  0.1272518 0.2628041  
## sample estimates:  
##       cor  
## 0.1959639

cor.test(datanew$`支持程度.1-7`,datanew$全球变暖)

##  
##  Pearson's product-moment correlation  
##  
## data:  datanew$`支持程度.1-7` and datanew$全球变暖  
## t = 3.32, df = 772, p-value = 0.0009426  
## alternative hypothesis: true correlation is not equal to 0  
## 95 percent confidence interval:  
##  0.04858049 0.18754507  
## sample estimates:  
##       cor  
## 0.1186437

建立多元线性=======================因变量为支持程度.1-7

##获得训练集  
   
  
train <- sample(1:nrow(datanew), nrow(datanew)*0.8)  
datanew.train <- datanew[train, ]

进行多元线性模型并进行分析 —–P值＜0.1的和F-K列

由于P<0.05，于是在α=0.05水平下，本例的回归系数有统计学意义，污染严重、有效减排、收费时段、个人影响和有效治堵和支持程度存在回归关系。

回归结果

置信区间与预测区间：

置信区间是给定自变量值后，由回归方程得到的的预测值（实际上是的平均值）的置信区间；预测区间是实际值的置信区间，在这里称为预测区间。

残差分析：

残差分析可以对回归模型的假设条件即随机误差项是否独立同分布进行检验，同时还可以找出离群点。命令语句为plot(lm.1)，显示结果如下

plot(lmmod)