做网站很简单,网站建设留言板,建设工程信息在哪个网站,ip域名查询地址y,X1,X2,X3 分别表示第 t 年各项税收收入(亿元)#xff0c;某国生产总值GDP(亿元)#xff0c;财政支出(亿元)和商品零售价格指数(%). (1) 建立线性模型#xff1a; ① 自己编写函数#xff1a; library(openxlsx)data read.xlsx(22_data.xlsx,shee… y,X1,X2,X3 分别表示第 t 年各项税收收入(亿元)某国生产总值GDP(亿元)财政支出(亿元)和商品零售价格指数(%). (1) 建立线性模型 ① 自己编写函数 library(openxlsx)data read.xlsx(22_data.xlsx,sheet 1)x data[,-c(1,2)]x cbind(rep(1,17),x)x_mat as.matrix(x)y matrix(data[,2],ncol 1)res solve(t(x_mat)%*%x_mat)%*%t(x_mat)%*%yres[,1]
rep(1, 17) 19412.8597818
X1 0.2679605
X2 -0.2874013
X3 -297.3653736所以各参数的估计值分别为 ② lm函数 lm(y~x_mat)Call:
lm(formula y ~ x_mat)Coefficients:(Intercept) x_matrep(1, 17) x_matX1
19412.859781545 NA 0.267960511 x_matX2 x_matX3 -0.287401287 -297.365373557 于是各参数的估计值分别为 这两个方法的结果是一样的。 (2)要求实验报告中画出矩阵散点图给出参数的点估计、区间估计、t检验值、判定系数和模型F检验的方差分析表 绘制矩阵散点图。 library(graphics)
pairs(data[,-1]pch 21,bg c(red,green3,blue))
# pch参数是控制点的形状bg是控制点的颜色下面代码给出参数的点估计t检验值判定系数 summary(lm(y~x_mat1))Call:
lm(formula y ~ x_mat 1) #调用Residuals: #残差统计量残差第一四分位数(1Q)和第三分位数(3Q)有大约相同的幅度意味着有较对称的钟形分布Min 1Q Median 3Q Max
-4397.9 -1102.4 153.8 1184.4 2934.6 Coefficients: (1 not defined because of singularities) Estimate Std. Error t value Pr(|t|)
(Intercept) 1.941e04 3.524e04 0.551 0.591
x_matrep(1, 17) NA NA NA NA
x_matX1 2.680e-01 4.466e-02 6.000 4.45e-05 ***
x_matX2 -2.874e-01 1.668e-01 -1.723 0.109
x_matX3 -2.974e02 3.688e02 -0.806 0.435
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
#标记为Estimate的列包含由最小二乘法计算出来的估计回归系数。#标记为Std.Error的列是估计的回归系数的标准误差。#从理论上说如果一个变量的系数是0那么该变量将毫无贡献。然而这里显示的系数只是估计它们不会正好为0.#因此我们不禁会问从统计的角度而言真正的系数为0的可能性有多大这是t统计量和P值的目的在汇总中被标记为t value和Pr(|t|)
#P值估计系数不显著的可能性有较大P值的变量是可以从模型中移除的候选变量Residual standard error: 2013 on 13 degrees of freedom
Multiple R-squared: 0.9982, Adjusted R-squared: 0.9977
F-statistic: 2348 on 3 and 13 DF, p-value: 2.2e-16#Residual standard error 表示残差的标准差F-statistic 表示F的统计量 区间估计方差分析表 (3)保留模型中线性关系显著的预测变量确定最后的模型并利用R软件中的predict语句预测2017年的税收收入 根据回归分析结果只有变量X1具有显著性。所以模型中仅保留变量X1。 构造模型 x_mat cbind(rep(1,17),data[,3])
y data[,2]
res lm(y~x_mat)
resresCall:
lm(formula y ~ x_mat)Coefficients:
(Intercept) x_mat1 x_mat2 -6213.0189 NA 0.1915 该模型为Y -6213.0189 0.1915 X1 接下来预测2017年的税收收入先根据数据data对 t 和 y 之间的关系进行回归分析 t data[,1]
y data[,2]
res lm(y~t)
res resCall:
lm(formula y ~ t)Coefficients:
(Intercept) t -16428607 8213 所以 t 与 y 的关系为y -16428607 8213 t 预测 2017 年的税收收入 newdata data.frame(t 2017)pre predict(res,newdata,interval prediction,level 0.95)prefit lwr upr
1 136337.8 116018.1 156657.4转载于:https://www.cnblogs.com/jiaxinwei/p/11523752.html
