lm

    1热度

    1回答

    我试图使用下面的函数提取回归系数; ## customized function to return coef as matrix cust_lm<- function(varname, data){ y<-data[,varname] coefOLS<- as.matrix(coef(summary(lm(y~x)))); } 我想用这个函数每次运行使用不同的因变量(独立变量

    2热度

    1回答

    我有一个理解R中的gradDescent package的问题。让我们说我有一个独立变量的数据集,我想对这些数据运行一个简单的线性回归并估计一个模型,并且其参数使用分批梯度下降(GD)算法。 例如,我正在使用here中给出的数据集。第一列是自变量(X),第二列是因变量(Y)。 我写了我自己的R代码批量梯度下降算法。我使用的学习率为0.01,迭代次数为1500.估计的模型是y = -3.630291

    3热度

    1回答

    为什么我得到 summary(lm(mpg~horsepower + I(horsepower^2),data = Auto))$coef 和 summary(lm(mpg∼poly(horsepower,2) ,data=Auto))$coef PS不同的结果:我练的ISLR

    0热度

    1回答

    每当我尝试根据线性模型预测数据时,都会收到以下错误。 警告信息:“newdata”有101行,但发现变量有296行 以下是代码片段 trainingFrame = data.frame(weeksTrainingConv,bugsTraining) validateFrame = data.frame(weekTestConv,bugsTest) model <- lm(totWeekCo

    0热度

    1回答

    大家好。因此,我决定尝试写一个简单的自定义函数,对某些产生的回归估计量进行t检验(例如H_0:Beta_j =“某些常量”与H_1:Beta_j <“某些常量”)。 这是我第一次创建自己的代码,但我一直与R一起工作了几个月,我想我对它有一个体面的理解,所以我不明白为什么我不断收到“下标越界”运行它。 我的代码: custom_test<-function(data,coeff,alt,altern

    3热度

    1回答

    我很挣扎,因为我只是试图将我自己的x轴值和tickmarks添加到显示线性回归的图上。 看来,或者我添加abline或添加轴。我不能两个都做! 为什么? 示例数据: df = data.frame(year = c(1901:2000), total = ceiling(runif(100, 2, 3000))) 此代码仅适用于abline(): plot(df$year, df$total,

    4热度

    1回答

    我有这样一个数据帧: ORD exp type mu 1 Combi pH=7 exp_F mu 0.15637365 2 Combi pH=7 exp_F mu 0.12817901 3 Combi pH=7 exp_F mu 0.13392221 4 Combi pH=7 exp_F mu 0.09683254 5 Combi pH=7 exp_F mu 0.11249738

    0热度

    2回答

    我有一个数据如下。 数据: temperature stage Replicate week Nematode_Number T20 All 1 1 60.0 T20 All 2 1 72.7 T20 All 3 1 69.3 T20 All 4 1 45.3 T20 All 5 1 40.7

    0热度

    1回答

    鉴于我有三个分类变量(x1,x2,x3),每个变量都有两个级别。 x1 <- as.factor(c(rep(1,5), rep(2,5))) x2 <- sample(x1) x3 <- sample(x1) y <- rnorm (10, 3,3) res1 <- lm (y~ x1+x2+x3) summary(res1) 然后lm函数返回以下 Coefficients:

    2热度

    1回答

    如何自动提取R^2对于整条曲线不理想的曲线的拟合线性部分? 例如 我有什么: data.lm x y 1 1 1 2 2 8 3 3 3 4 4 4 5 5 5 6 6 6 7 7 7 8 8 5 9 9 2 10 10 7 rg.lm < - 流明(Y〜X,data.lm) rg.lm Coefficients: (Intercept) x 3.7333