R语言编程整理

logistic模型的回归语句

lo=glm(y~x1+x2+x4,family=binomial("logit"),data=data)

glm 拟合广义线性模型，因为括号内添加了family=binomial("logit")，所以可以做logistic 回归

lm 用作线性回归的

相关系数矩阵编程

cor(data,use="complete.obs",method="pearson")

其中data表示数据源Use指定缺失数据的处理方式，当use=“all.obs”时，有缺失值就会报错

当use=“complete.obs”时，空值的地方会被casewise deletion（If use is "complete.obs" then missing values are handled by casewise deletion (and if there are no complete cases, that gives an error). ）但计算出来的相关系数矩阵是完整的没有缺失值的，那么那些空值的地方的值是用什么方法填补的呢

method="pearson”表示相关系数的计算方法此处使用Pearson相关系数

分组变量的独立样本t检验

t.test(y～x,data) y是一个数值型变量，x是一个二分变量默认方差不相等可添加var.equal=TRUE以假定方差相等alternative = c("two.sided", "less", "greater") 具体的假设要看所选择的是

双边假设还是单边假设（又分小于和大于）

Pin 以英寸表示的图形尺寸（宽和高）

Mai 以数值向量表示的边界大小，顺序为“下、左、上、右”，单位为英寸

Mar 以数值向量表示的边界大小，顺序为“下、左、上、右”，单位为英分默认值为c(5,4,4,2)+0.1

Lwd 指定线条宽度

Cex 表示相对于默认大小缩放倍数的数值（指定文本大小的参数）

Pch 指定绘制点时使用的符号

多重共线性的方差膨胀因子检验

library(car)

vif(lo)

sqrt(vif(lo))>2#problem

岭回归

（1）plot(lm.ridge(GDP~Consume+Investment+IO+Population+Jobless+Goods,

data=dat,lambda=seq(0,0.3,0.001))) # 和线性回归类似，这个plot可以画出岭迹图，lambda=seq(0,0.3,0.001)设置范围和间隔，可以观察岭迹图，人工选择，但是这样主观性较强。

（2）select(lm.ridge(GDP~Consume+Investment+IO+Population+Jobless+Goods,

data=dat,lambda=seq(0,0.3,0.001))) #利用select 函数找出最优岭参数lambda,会有三个值，任选一个即可。

lm.ridge(GDP~Consume+Investment+IO+Population+Jobless+Goods,

data=dat,lambda=0.09) #通过（1）或（2）把选取的lmbda 参数写到岭回归函数中去，在这里lambda=0.09。