comment tracer la droite de régression linéaire dans R?

Je veux faire le cas de la régression linéaire dans R

year<-rep(2008:2010,each=4)
quarter<-rep(1:4,3)
cpi<-c(162.2,164.6,166.5,166.0,166.4,167.0,168.6,169.5,170.0,172.0,173.3,174.0)
plot(cpi,xaxt="n",ylab="CPI",xlab="")
axis(1,labels=paste(year,quarter,sep="C"),at=1:12,las=3)
fit<-lm(cpi~year+quarter)

Je veux tracer la ligne qui montre la régression linéaire des données que j'processus. J'ai essayé avec:

abline(fit)
abline(fit$coefficients[[1]],c(fit$coefficients[[2]],fit$coefficients[[3]]))

Le problème est que ma formule est de la forme:

y=a+b*year+c*quarter

et pas quelque chose de plus simple comme:

y=a+b*year

alors, comment je peux tracer cette ligne qui montre la régression linéaire?

Est-il possible de tracer la ligne avec abline?

Avec plusieurs coefficients de régression, l'analyse de régression ne représente pas une ligne. Vous désirez peut-être stats::décomposer.

OriginalL'auteur Little | 2013-01-22

linear-regression r

7

Vous êtes à la recherche pour le predict fonction?

E. g.: à l'aide de lines(predict(fit)) donnera:

Vous pouvez également l'utiliser pour prédire l'avenir des données de l'alignement avec les coefficients calculés. E. g.
```
# plot the existing data with space for the predicted line
plot(c(cpi,rep(NA,12)),xaxt="n",ylab="CPI",xlab="",ylim=c(162,190))

# plot the future predictions as a line using the next 3 year periods
lines(13:24,
      predict(
        fit,
        newdata=data.frame(year=rep(c(2011,2012,2013),each=4),quarter=rep(1:4,3))
             )
     )

year<-rep(2008:2013,each=4)
axis(1,labels=paste(year,quarter,sep="C"),at=1:24,las=3)
```
merci @thelatemail, mais pouvez-vous me dire pourquoi cela ne fonctionne pas abline(a=0,b=1)?
Il n'y a pas de ligne droite pour les prédictions.
oui, vous avez raison @DWin, je reconnais mon erreur, c'est un modèle polynomial de sorte que c'est pourquoi il n'y a pas de ligne droite, mon mauvais

OriginalL'auteur thelatemail
6
```
cpi<-c(162.2,164.6,166.5,166.0,166.4,167.0,168.6,169.5,170.0,172.0,173.3,174.0)
cpits <- ts(cpi, start=2008, frequency=4)
plot(decompose(cpits))
```
C'est la "bonne" réponse. La notion que l'année et le trimestre sont "indépendants" est erronée (on pourrait même dire ridicule).
pouvez-vous nous expliquer un peu plus? Ne pourriez-vous pas avoir un scénario avec l'augmentation de la température globale de façon linéaire, mais les fluctuations de la température à chaque saison? Serait-ce mon predict de réponse n'est pas statistiquement valide? Peut-être que je vais manquer le point que vous faites.
vous avez raison @thelatemail, cet exemple est tiré d'un livre qui tient compte de la fluctuation de l'indice des prix de l'année et à l'intérieur de chaque année par quarts

OriginalL'auteur Matthew Lundberg
6

De cambrai. Ce sont toutes les solutions raisonnables, mais ils ne font pas ce que vous demandez. Maintenant, ce que vous demandez est légèrement plus frais et complètement irréaliste, mais peut être fait à l'aide de rgl.
```
f <- function(x, y, coefs){
  z <- coefs[1] + coefs[2] * x + coefs[3] * y
  z
}

x <- seq(from=min(year), to=max(year), length.out=100)
y <- seq(from=min(quarter), to=max(quarter), length.out=100)

z <- outer(x, y, f, coefs=coef(fit))
```
Maintenant où la magie se produit dans rgl:
```
library(rgl)

persp3d(x, y, z, col="lightblue")
```
Il n'est pas fait justice ici, mais c'est assez et vous pouvez le déplacer sur.

Et ce que l'enfer, nous allons ajouter les originaux de vos points de
```
points3d(year, quarter, cpi, size=5, col="red")
```
Je n'ai jamais vraiment aimé les graphiques en 3D en termes de lisibilité, mais ont un +1 pour explicitement de répondre à la question.
Ils sont beaucoup plus lisible si vous utilisez le rgl de l'appareil et de se déplacer autour de la figure. Luc Tierney a écrit quelque chose sur la façon d'intégrer dynamique des graphiques en pdf, mais je n'ai pas essayé.
Humbug, en effet. Aller de l'avant. Interpréter l'avion.
Je n'ai jamais dit qu'il était pratique. J'ai fait ça pour le plaisir. En toute sincérité, vous pourriez découvrir qu'il y a de grandes valeurs résiduelles où les deux prédicteurs sont grandes. C'est certainement ce n'est pas une publication graphique, mais il pourrait être utile pour aider les élèves à conceptualiser ce qui se passe avec régression dans les dimensions supérieures et pourquoi il devient pratiquement impossible de tracer les résultats de la régression linéaire multiple sur un classique xy nuage de points.

OriginalL'auteur sebastian-c
3

L'erreur réside dans la façon dont vous vous êtes données a été mis en forme. Voici une autre option:
```
year<-seq(from=2008,to=2010.75,by=.25)
cpi<-c(162.2,164.6,166.5,166.0,166.4,167.0,168.6,169.5,170.0,172.0,173.3,174.0)
df <- data.frame(year,cpi)
plot(df)+abline(lm(df$cpi~df$year))
```
Vous pouvez le reformater les étiquettes d'axes si vous le souhaitez.

C'est ignorer le trimestre, et n'est donc pas une réponse à la question.

OriginalL'auteur N8TRO
1

La Predict.Plot et TkPredict fonctions dans le TeachingDemos package parcelle de la relation entre les variables explicatives et la variable de réponse conditionnée sur les valeurs des autres variables explicatives. Predict.Plot en fait assez simple de voir plusieurs lignes de différentes conditions, alors que TkPredict vous permet de modifier de manière interactive les valeurs conditionnés (et de produire l' Predict.Plot de code pour recréer de la trame actuelle).

Ces fonctions sont en général des modèles de régression sur les facteurs multiples, mais ne sera pas aussi bon que de se décomposer pour une série chronologique.

OriginalL'auteur Greg Snow

Vous devez vous connecter pour publier un commentaire.