R语言逐步多元回归模型分析长鼻鱼密度影响因素
时间:2022-07-23
本文章向大家介绍R语言逐步多元回归模型分析长鼻鱼密度影响因素,主要内容包括其使用实例、应用技巧、基本知识点总结和需要注意事项,具有一定的参考价值,需要的朋友可以参考一下。
原文链接:http://tecdat.cn/?p=9564
目录
我从马里兰州生物流调查中提取了一些数据,以进行多元回归分析。数据因变量是每75米长的水流中长鼻鱼(Rhinichthys cataractae)的数量。自变量是河流流失的面积(英亩);氧(毫克/升);水流段的最大深度(以厘米为单位);硝酸盐浓度(毫克/升);硫酸盐浓度(毫克/升);以及采样日期的水温(以摄氏度为单位)。
如何做多元回归
数据集包含多个数字变量时,最好查看这些变量之间的相关性。原因之一是,可以轻松查看哪些自变量与该因变量相关。第二个原因是,如果要构建多元回归模型,则添加高度相关的自变量不太可能对模型有很大的改进。
最后,值得看一下数字变量的分布。如果分布差异很大,则使用Kendall或Spearman相关性可能更合适。同样,如果自变量与因变量的分布不同,则可能需要对自变量进行转换。
Data = read.table(textConnection(Input),header=TRUE)library(dplyr)Data.num = select(Data, Longnose, Acerage, DO2, Maxdepth, NO3, SO4, Temp)library(FSA)headtail(Data.num) Longnose Acerage DO2 Maxdepth NO3 SO4 Temp1 13 2528 9.6 80 2.28 16.75 15.32 12 3333 8.5 83 5.34 7.74 19.43 54 19611 8.3 96 0.99 10.92 19.566 20 4106 10.0 96 2.62 5.45 15.467 38 10274 9.3 90 5.45 24.76 15.068 19 510 6.7 82 5.25 14.19 26.5library(psych)corr.test(Data.num, use = "pairwise", method="pearson", adjust="none", # Can adjust p-values; see ?p.adjust for options alpha=.05)Correlation matrix Longnose Acerage DO2 Maxdepth NO3 SO4 TempLongnose 1.00 0.35 0.14 0.30 0.31 -0.02 0.14Acerage 0.35 1.00 -0.02 0.26 -0.10 0.05 0.00DO2 0.14 -0.02 1.00 -0.06 0.27 -0.07 -0.32Maxdepth 0.30 0.26 -0.06 1.00 0.04 -0.05 0.00NO3 0.31 -0.10 0.27 0.04 1.00 -0.09 0.00SO4 -0.02 0.05 -0.07 -0.05 -0.09 1.00 0.08Temp 0.14 0.00 -0.32 0.00 0.00 0.08 1.00Sample SizeProbability values (Entries above the diagonal are adjusted for multiple tests.) Longnose Acerage DO2 Maxdepth NO3 SO4 TempLongnose 0.00 0.00 0.27 0.01 0.01 0.89 0.26Acerage 0.00 0.00 0.86 0.03 0.42 0.69 0.98DO2 0.27 0.86 0.00 0.64 0.02 0.56 0.01Maxdepth 0.01 0.03 0.64 0.00 0.77 0.69 0.97NO3 0.01 0.42 0.02 0.77 0.00 0.48 0.99SO4 0.89 0.69 0.56 0.69 0.48 0.00 0.52Temp 0.26 0.98 0.01 0.97 0.99 0.52 0.00
逐步回归选择模型
使用AIC(赤池信息标准)作为选择标准。可以使用选项k = log(n)代替BIC。
逐步程序
Longnose ~ 1 Df Sum of Sq RSS AIC+ Acerage 1 17989.6 131841 518.75+ NO3 1 14327.5 135503 520.61+ Maxdepth 1 13936.1 135894 520.81<none> 149831 525.45+ Temp 1 2931.0 146899 526.10+ DO2 1 2777.7 147053 526.17+ SO4 1 45.3 149785 527.43..< snip... more steps >..Longnose ~ Acerage + NO3 + Maxdepth Df Sum of Sq RSS AIC<none> 107904 509.13+ Temp 1 2948.0 104956 509.24+ DO2 1 669.6 107234 510.70- Maxdepth 1 6058.4 113962 510.84+ SO4 1 5.9 107898 511.12- Acerage 1 14652.0 122556 515.78- NO3 1 16489.3 124393 516.80Call:lm(formula = Longnose ~ Acerage + NO3 + Maxdepth, data = Data)Coefficients:(Intercept) Acerage NO3 Maxdepth -23.829067 0.001988 8.673044 0.336605
定义最终模型
summary(model.final) # Show coefficients, R-squared, and overall p-value Estimate Std. Error t value Pr(>|t|) (Intercept) -2.383e+01 1.527e+01 -1.560 0.12367 Acerage 1.988e-03 6.742e-04 2.948 0.00446 **Maxdepth 3.366e-01 1.776e-01 1.896 0.06253 .NO3 8.673e+00 2.773e+00 3.127 0.00265 **Multiple R-squared: 0.2798, Adjusted R-squared: 0.2461F-statistic: 8.289 on 3 and 64 DF, p-value: 9.717e-05
方差分析
Anova Table (Type II tests)Response: Longnose Sum Sq Df F value Pr(>F) Acerage 14652 1 8.6904 0.004461 **Maxdepth 6058 1 3.5933 0.062529 .NO3 16489 1 9.7802 0.002654 **Residuals 107904 64
预测值图
检查模型的假设
线性模型中残差的直方图。这些残差的分布应近似正态。
残差与预测值的关系图。残差应无偏且均等。
模型拟合标准
模型拟合标准可用于确定最合适的模型。使用AIC或可选的BIC。AICc是对AIC的一种调整,它更适合于观测值相对较少的数据集。AIC,AICc和BIC越小越好。
在下面的例子中,我们只讨论了显著相关的种植面积,MAXDEPTH和NO3 。
$Models Formula 1 "Longnose ~ Acerage" 2 "Longnose ~ Maxdepth" 3 "Longnose ~ NO3" 4 "Longnose ~ Acerage + Maxdepth" 5 "Longnose ~ Acerage + NO3" 6 "Longnose ~ Maxdepth + NO3" 7 "Longnose ~ Acerage + Maxdepth + NO3" 8 "Longnose ~ Acerage + Maxdepth + NO3 + DO2"9 "Longnose ~ Acerage + Maxdepth + NO3 + SO4"10 "Longnose ~ Acerage + Maxdepth + NO3 + Temp" $Fit.criteria Rank Df.res AIC AICc BIC R.squared Adj.R.sq p.value Shapiro.W Shapiro.p1 2 66 713.7 714.1 720.4 0.12010 0.10670 3.796e-03 0.7278 6.460e-102 2 66 715.8 716.2 722.4 0.09301 0.07927 1.144e-02 0.7923 2.115e-083 2 66 715.6 716.0 722.2 0.09562 0.08192 1.029e-02 0.7361 9.803e-104 3 65 711.8 712.4 720.6 0.16980 0.14420 2.365e-03 0.7934 2.250e-085 3 65 705.8 706.5 714.7 0.23940 0.21600 1.373e-04 0.7505 2.055e-096 3 65 710.8 711.4 719.6 0.18200 0.15690 1.458e-03 0.8149 8.405e-087 4 64 704.1 705.1 715.2 0.27980 0.24610 9.717e-05 0.8108 6.511e-088 5 63 705.7 707.1 719.0 0.28430 0.23890 2.643e-04 0.8041 4.283e-089 5 63 706.1 707.5 719.4 0.27990 0.23410 3.166e-04 0.8104 6.345e-0810 5 63 704.2 705.6 717.5 0.29950 0.25500 1.409e-04 0.8225 1.371e-07
几个模型的AICc(修改后的Akaike信息标准)图。模型7最小化了AICc,因此被选为该模型中的最佳模型。
将模型与似然比检验进行比较
将模型与 平方和检验或似然比检验进行比较,以查看是否有其他项显着减少平方误差和 。
Analysis of Variance TableModel 1: Longnose ~ Acerage + Maxdepth + NO3Model 2: Longnose ~ Acerage + Maxdepth Res.Df RSS Df Sum of Sq F Pr(>F) 1 64 107904 2 65 124393 -1 -16489 9.7802 0.002654 **Likelihood ratio testModel 1: Longnose ~ Acerage + Maxdepth + NO3Model 2: Longnose ~ Acerage + Maxdepth #Df LogLik Df Chisq Pr(>Chisq) 1 5 -347.05 2 4 -351.89 -1 9.6701 0.001873 **Model 1: Longnose ~ Acerage + Maxdepth + NO3 + DO2Model 2: Longnose ~ Acerage + Maxdepth + NO3 + SO4Model 3: Longnose ~ Acerage + Maxdepth + NO3 + TempModel A: Longnose ~ Acerage + Maxdepth + NO3 DfO RSSO DfA RSSA Df SS F Pr(>F)1vA 63 107234.38 64 107903.97 -1 -669.59 0.3934 0.53282vA 63 107898.06 64 107903.97 -1 -5.91 0.0035 0.95333vA 63 104955.97 64 107903.97 -1 -2948.00 1.7695 0.1882Model 1: Longnose ~ Acerage + Maxdepth + NO3 + DO2Model 2: Longnose ~ Acerage + Maxdepth + NO3 + SO4Model 3: Longnose ~ Acerage + Maxdepth + NO3 + TempModel A: Longnose ~ Acerage + Maxdepth + NO3 DfO logLikO DfA logLikA Df logLik Chisq Pr(>Chisq)1vA 63 -346.83881 64 -347.05045 -1 0.21164 0.4233 0.51532vA 63 -347.04859 64 -347.05045 -1 0.00186 0.0037 0.95133vA 63 -346.10863 64 -347.05045 -1 0.94182 1.8836 0.1699
- 一文看懂常用的梯度下降算法
- Oracle 12.2新特性掌上手册 - 第一卷 Availability
- 深度学习必备---用Keras和直方图均衡化---数据增强
- 基础|认识机器学习中的逻辑回归、决策树、神经网络算法
- CNN模型之ShuffleNet
- 目标检测算法之SSD
- Hadoop学习笔记
- 利用硬链接和truncate降低drop table对线上环境的影响
- 手把手教你实现GAN半监督学习
- 【超全】C语言小白最容易犯的17种错误,你中了几个?
- Oracle 12.2新特性掌上手册 - 第五卷 RAC and Grid
- ResNet, AlexNet, VGG, Inception: 理解各种各样的CNN架构
- 机器学习实战---线性回归提高篇之乐高玩具套件二手价预测
- 【Oracle12.2新特性掌上手册】-第八卷 PDB的快速创建与移除
- JavaScript 教程
- JavaScript 编辑工具
- JavaScript 与HTML
- JavaScript 与Java
- JavaScript 数据结构
- JavaScript 基本数据类型
- JavaScript 特殊数据类型
- JavaScript 运算符
- JavaScript typeof 运算符
- JavaScript 表达式
- JavaScript 类型转换
- JavaScript 基本语法
- JavaScript 注释
- Javascript 基本处理流程
- Javascript 选择结构
- Javascript if 语句
- Javascript if 语句的嵌套
- Javascript switch 语句
- Javascript 循环结构
- Javascript 循环结构实例
- Javascript 跳转语句
- Javascript 控制语句总结
- Javascript 函数介绍
- Javascript 函数的定义
- Javascript 函数调用
- Javascript 几种特殊的函数
- JavaScript 内置函数简介
- Javascript eval() 函数
- Javascript isFinite() 函数
- Javascript isNaN() 函数
- parseInt() 与 parseFloat()
- escape() 与 unescape()
- Javascript 字符串介绍
- Javascript length属性
- javascript 字符串函数
- Javascript 日期对象简介
- Javascript 日期对象用途
- Date 对象属性和方法
- Javascript 数组是什么
- Javascript 创建数组
- Javascript 数组赋值与取值
- Javascript 数组属性和方法
- Spring整合RMI
- Spring启用缓存
- 交通标识分类-TensorFlow实现
- Redis使用与操作k-v数据
- Spring集成Hadoop和Hbase
- JVM系列之:JIT中的Virtual Call接口
- 重新构建711的Android项目(二),架构的选择与实现
- Android的配置文件操作封装,摒弃SharedPreference操作配置漫天乱飞
- java实现PBOC的TLV格式解析,超简单的解析(全互联网最简单)
- 链表总计
- Spring整合MongoDb
- 正确使用Qt多线程
- Spring与hibernate与mybatis
- scala 模式匹配的几个模式
- Spring Security 认证