data.frame и различные спецификации линейные модели регрессии

Это мой data.frame:data.frame и различные спецификации линейные модели регрессии

data <- matrix(rnorm(50*5),nrow=50) 
m <- data.frame(data) 
m 

      X1   X2   X3   X4 
1 -0.47903358 1.92799699 -0.584364168 -1.475276350 
2 0.05464517 1.90064618 1.721449935 1.215188405 
3 2.23782855 0.16839367 -0.074212064 -0.719745849 
4 0.44476924 0.37247676 0.300423948 1.722222410 
5 -0.66889333 0.26094142 -0.001254037 0.617630295 
6 -1.17663634 -1.93020031 -2.813433555 0.350943310 
7 2.16609882 -0.06594556 0.133278642 1.693078802 
8 -0.16090564 -1.14454452 -1.340407149 0.574943347 
9 0.46691283 0.98394614 -0.277273498 0.030499576 
10 1.19049154 1.03160103 0.626364442 0.429348535 
11 0.72593476 0.89130574 -0.599052058 2.
12 -0.04748923 -1.38044706 0.058364936 0.825752213 
13 -0.90407306 0.14790680 0.002608154 -0.991979288 
14 -1.50113350 0.78807179 -2.371160466 0.559174890 
15 0.04075635 -1.14486991 1.585769771 -0.495937216 
16 1.29724449 0.47729721 -0.871033202 1.524746619 
17 1.12384656 -0.07589516 -0.463837527 0.206108262 
18 0.65092671 0.29660588 -1.096981115 -0.326524160 
19 -0.54953490 -0.06792527 -0.543922865 0.211205138 
20 0.19187346 -0.65190412 -1.674653668 0.712704645 
21 0.97108788 0.91087005 0.182424518 -0.296413534 
22 1.64975949 0.22140448 -0.075355571 -0.472299544 
23 1.45613296 -1.29101443 1.231839302 0.774475499 
24 -0.15324579 -1.31596417 -0.343467527 0.087122108 
25 0.20305822 -0.96867715 -0.311745324 -1.483964874 
26 -2.22916775 1.46982603 -0.254705650 -0.003573105 
27 0.26135095 -0.44053524 0.208284330 0.459095264 
28 0.55020951 -0.37742141 0.346186077 0.825811292 
29 -0.78695097 -0.21014858 0.003055816 2.142121347 
30 -0.33506969 0.31572240 -0.139970552 1.344697176 
31 -0.94164226 -0.88366990 -0.906886069 0.774590884 
32 3.23764133 -0.47556802 0.166917302 0.959307700 
33 -0.64114926 0.16089400 1.942563410 0.142073261 
34 0.03848502 -0.83066179 0.934403254 1.730448144 
35 -0.34621698 0.65682342 1.601365990 0.160012282 
36 0.62848314 0.33126945 0.188823549 2.380319403 
37 1.02807329 1.07299920 0.398083643 -0.208241920 
38 -0.50616984 1.68998408 0.427342040 -0.345264684 
39 1.31721397 -1.17111247 1.754036030 0.755414080 
40 1.23714888 -0.12253370 0.887065669 0.001770354 
41 0.59541135 0.66438057 0.880643498 1.441513269 
42 0.41100680 0.52757460 1.219644246 1.450262235 
43 0.08984815 1.44830794 0.113193523 -0.620546777 
44 -1.51411951 -0.17346499 -0.698924584 -0.767921061 
45 -1.03652530 1.27296507 1.740954529 -0.467568299 
46 1.14533381 -0.67304957 -0.384.637582075 
47 0.37996214 0.53566774 -1.413930797 1.222728459 
48 -0.53705734 0.77591264 0.375236588 -1.430924067 
49 0.64051195 -0.22562951 -1.667050192 0.345009059 
50 -1.19521122 1.18436746 -0.905004199 -0.005221906

Ну, я хотел бы теперь оценить 3 различных моделей.

X1 = X2 + X3 + X4 
X1 = X2^2 + X3(Lag1) + X4^2 
ln(X1)=X2^2 + X3(Lag1) + X4^2

Как им ничему в R im не удалось реализовать функцию для этого. Я читаю функцию lm и до сих пор не могу реализовать эти модели. То, как я мог реализовать, было очень рудиментарным, т. Е. Я катался на data.frame для каждой модели.

Thanks

источник

2015-10-16 Laorie

Чтобы использовать 'lm()' вам понадобится формула для регрессии. Ваши данные результата должны быть столбцом в вашем фрейме данных. Значение «t» в вашей формуле должно быть константой в используемом фрейме данных. Как только у вас есть это, вы можете создать строку своей формулы и регрессировать по этому поводу. Итак, Y должен быть в вашем data.frame и t должен быть в вашем качестве data.frame, а также в ваших значениях x. Формулой примера будет строка: 'Y ~ X1 + X2 + X3'. Значок '~', который вы можете представить как знак равенства. – giraffehere

Спасибо за ответ жирафа. Я редактировал вопрос. – Laorie

Вам также понадобится столбец для переменной с задержкой X3, но я напишу ответ о том, как это сделать. Просто отметьте, что для каждой переменной в регрессии нужен столбец. – giraffehere

Для использования lm() вам нужны как минимум две вещи. Вам нужна формула, и вам нужны данные для применения этой формулы. В вашем случае, вот как вы могли бы кодировать для запуска очень простой, основной, линейный регрессионный анализ ваших данных. Опять же, вам нужна переменная «X3_Lag1» (буквально столбец с именем, который имеет задержку) в ваших данных, чтобы регрессировать по запаздывающим данным (сделать новый столбец с X3 нажатым вниз), а затем вырезать данные для этого отсутствующего значения в первой строке.

# Getting the first model. 
formula1 <- "X1 ~ X2 + X3 + X4" 
lin1 <- lm(formula1, data) 
summary(lin1) # This will give you the coefficients for each value. 

# Getting the second model. 
formula2 <- "X1 ~ X2^2 + X3_Lag1 + X4^2" 
lin2 <- lm(formula2, data) 
summary(lin2) 

# Getting the third model. 
formula3 <- "log(X1) ~ X2^2 + X3_Lag1 + X4^2" 
lin3 <- lm(formula3, data) 
summary(lin3)

ВНИМАНИЕ: Я полагаю, вы получите ошибку на третьей формуле, потому что вы принимаете натуральный логарифм отрицательного числа, которое не возможно. Пожалуйста, позаботьтесь об этом.

источник

2015-10-16 21:22:07 giraffehere

Я думал о том, как я могу это сделать без включения столбцов. Я сделал это 'lm (X1 ~ X2 + I (X3^2), m)'. Мне не нужно включать столбец x3^2. И lm (log (X1) ~ X2 + I (X3^2), m) '. Проблема с задержкой. – Laorie

Вам не нужен столбец «X3^2» для этого оператора, который будет работать, предоставляя квадрат каждого номера в столбце X3. Однако для переменной с запаздыванием, насколько мне известно, вам понадобится столбец «X3_Lag1», который вам нужно будет сделать в ваших данных. Насколько мне известно, нет способа создать отставание в самой формуле, вы должны сделать это за пределами формулы и в данных заранее. Моя проблема с журналом (X1) заключается в том, что у вас есть отрицательные значения в столбце X1, которые не допускаются в логарифмах. – giraffehere

data.frame и различные спецификации линейные модели регрессии

ответ

Смежные вопросы