r软件官方网站(tracker软件的官方网站)

你们好，最近小活发现有诸多的小伙伴们对于r软件教程，r软件这个问题都颇为感兴趣的，今天小活为大家梳理了下，一起往下看看吧。

1、 打开R软件，归档新的脚本程序，输入需要回归分析的数据。

2、 首先画出散点图，它们之间的关系是线性的还是非线性的，从而建立合适的回归模型。

3、 程序代码：

4、 #输入数据

5、 x=c(1，2，3，4，5，6，7，8，9，10，11，12，13，14，15，16，17，18，19，20，21，22，23，24)

6、 y=c(276 277 283 294 308 330 355 387 422 461 507 558 613 675 741 811 886 966 1053 1142 1239 1340 1445 1556)

7、 #画一个散点图

8、 绘图(x，y，col=1:7)

9、 其中plot是绘图命令，col表示分散点的颜色。

10、 运行后，得到下图。

11、 从图中可以看出，Y与X之间存在非线性关系，图形符合二次曲线，建立回归模型Y=AB * X C *(X ^ 2)。

12、 计算回归参数：

13、 #回归分析

14、 test=lm(y~1 x I(x^2))

15、 试验

16、 Lm代表建立模型，其中公式y=1xi(x ^ 2)，1代表常数项，I(x ^ 2)代表x的平方项，注意加在一起相当于形成另一个变量，单靠x ^ 2无法得到预期的结果。

17、 运行获取参数，模型为：

18、 y=280.944-6.909*x 2.501*(x^2)

19、 检查显著性测试结果。

20、 运行代码摘要(测试)

21、 表示提取的模型的计算结果。

22、 在这个结果中，call显示模型公式，residuals显示残差的四分位数值，列estimate反映模型的参数估计值std。误差是标准差，Pr(|t|)一栏是计算的P值，最下面是解释。可以看出，模型各参数p值的显著性标志为“* * *”，表示极显著。该模型通过了回归测试。

23、 Predict()函数用于求出回归模型的预测值和预测区间。

24、 程序代码是：

25、 #预测

26、 pred=data.frame(x=25)

27、 test.pred=predict(test，pred，interval='prediction 'level=0.95)

28、 测试.预测

29、 其中pred表示要预测的点，必须以数据帧的形式输入，才能计算预测函数；Interval='prediction '表示给出相应的预测区间，参数level=0.95表示显著性水平。预测结果为：Y'=1671.368，区间[1669.628，1673.109]。

30、 计算所有拟合值并绘制拟合曲线。

31、 #计算所有拟合值

32、 预测(测试)

33、 #曲线拟合图

34、 绘图(x，y，col=1:7)

35、 线条(泥河)

36、 其中预测计算所有拟合值。在绘制曲线命令行()之前，需要用plot()绘制一个散点图。

37、 从图中可以看出，拟合效果非常好。

38、 在实际的数据分析中，还会涉及到多元线性回归方程和非线性回归模型。可以使用命令lm (y ~ x1x2x3 I (x3 2)).以此类推构建合适的模型，得到更好的拟合效果。

以上就是r软件这篇文章的一些介绍，希望能帮助到大家。