《R语言回归模型项目分析报告论文(附代码数据)》由会员分享，可在线阅读，更多相关《R语言回归模型项目分析报告论文(附代码数据)（8页珍藏版）》请在装配图网上搜索。
1、回归模型项目分析报告论文（附代码数据）摘要该项目包括评估一组变量与每加仑（MPG）英里之间的关系。汽车趋势大体上是对这个具体问题的答案的本质感兴趣：* MPG的自动或手动变速箱更好吗？*量化自动和手动变速器之间的手脉差异。我们在哪里证实传输不足以解释MPG的变化。我们已经接受了这个项目的加速度，传输和重量作为解释 汽油里程使用率的84%变化的变量。分析表明，通过使用我们的最佳拟合模型来解释哪些变量解释了 MPG 的大部分变化，我们可以看到手册允许我们以每加仑2.97多的速度驱动。（A.1）1.探索性数据分析通过第一个简单的分析，我们通过箱形图可以看出，手动变速箱肯定有更高的mpg结果，提高了性
2、能。基 于变速箱类型的汽油里程的平均值在下面的表格中给出，传输比自动传输产生更好的性能。根据附录A.4, 通过比较不同传输的两种方法，我们排除了零假设的0.05%的显着性。#A tibble: 2 x 2#Transmission mean(mpg)#Automatic17.14737【原创】R语言案例数据分析报告论文(附代码数据) 有问题到淘宝找“大数据部落”就可以了# 2Manual 24.39231第二个结论嵌入上面的图表使我们看到，其他变量可能会对汽油里程的使用有重要的作用，因此也应该考虑。由于simplistisc模型显示传播只能解释MPG变异的35%(AppendiX A.2。)我
3、们将测试不同的模型，我们将在这个模型中减少这个变量的影响，以便能够回答，如果传输是唯一的变 量要追究责任，或者如果其他变量的确与汽油里程的关系更强传输本身(i.e.MPG)。# 2模型测试(线性回归和多变量回归)# Analysis of Variance Table# # Model 1: mpg Transmission#Model2:mpgTransmission+qsec#Model3:mpgTransmission+qsec+wt#Model4:mpgTransmission+hp +qsec+wt#Res Df RSS Df Sum of SqFPr(F)#130720.90#22
4、9352.631*#328169291*#427160.071368.2662.11861.791e-08183.3530.92706 773e-069.22155510.2231# Signif codes: 0 * 0.001 * 0.01 * 0.050.1 1从Anova分析中我们可以看出，仅仅接受变速箱作为与油耗相关的唯一变量的模型将是一个误解。一个更 完整的模型，其中的变量，如重量，加速度和传输被考虑，将呈现与燃油里程使用（即MPG）更强的关联。 一个F = 62.11告诉我们，如果零假设是真的，那么这个大的F比率的可能性小于0.1 %的显着性是可能的， 因此我们可以得出结论：模型
5、2显然是一个比油耗更好的预测值仅考虑传输。为了评估我们模型的整体拟 合度，我们运行了另一个分析来检索调整的R平方，这使得我们可以推断出模型2,其中传输，加速度和 重量被选择，如果我们需要，它解释了大约84%的变化预测汽油里程的使用情况。换句话说，因此，我们 需要考虑所有这些变量来解释mpg行为的变化，因为它们对变化负主要责任（附录A.1）。3. 残差图分析残差向我们表明，我们的模型呈现了一个公正的，同方差的。含义每个薄的垂直条上的残差平均为零，标 准偏差在整个图中都是相同的。我们可以看到，对于正常情况，我们可能会有一些异常值，但它确实落在 了基于QQ图的正常假设之下（附录A.3）。4。结论1手
6、自一体变速器更适合mpg吗？看起来手动变速箱汽车比自动变速箱更适合MPG。然而，当用诸如qsec，HP和weight之类的混杂变量 建模时，其差异并不像开始时那样显着：84%的mpg变化由相同的变量来解释。2量化自动变速器和手动变速器之间的MPG差异分析表明，通过使用我们的最佳拟合模型来解释哪些变量解释了 MPG的大部分变化，我们可以看到手册 允许我们以每加仑2.97多的速度驱动。APPENDIXA.1 Summary of the model 2# Call:# lm(formula = mpg Transmission + qsec + wt, data = new mtcars)#Res
7、iduals:#Min1QMedian3QMax#3.4811 1.5555072571.41104.6610#Coefficients:#EstimateStdErrort valuePr(|t|)# (Intercept)9.61786.95961.3820.177915# TransmissionManual2.93581.41092.0810.046716 *# qsec1.22590.28874.2470.000216 *# wt3.91650.71125.5076.95e06 *# Signif codes:0 * 0.001* 0.01* 0.0#0.1# Residual st
8、andard error: 2.459 on 28 degrees offreedom# Multiple R-squared: 0.8497, Adjusted R-square d:0.8336# F-statistic: 52.75 on 3 and 28 DF, p-value: 1. 1e-11A.2 Coefficients of the model# Call:# lm(formula = mpg ars)# Residuals:#Min1Q# 93923 30923# Coefficients:#(|t|)Transmission,Median3Q0297432439Estim
9、ate Std.data = new mtcMax9.5077Error t valuePr# (Intercept)17.1471.12515.24713e-15 *# TransmissionManual7.2451.7644.1060.000285 *# Signif codes: 0 * 0.001* 0.01* 0.00.1# Residual standard error: 4.902 on 30 degrees offreedom#Multiple R-squared:0.35 98, Adjusted R-squared:0 3385#F-statistic: 16.86on
10、1 and 30 DF, p-value: 0.00285#(Intercept)TransmissionManual#17.1473687.244939A.3 Residual plots#Null hypothesis#The null hypothesis is that that automatic cars h ave an MPG 7.25 lower than manual cars.auto-new_mtcarsnew_mtcars$Transmission=Automa tic,manual-new_mtcarsnew_mtcars$Transmission=Manu al,
11、ttest(auto$mpg, manual$mpg)# Welch Two Sample t-test# # data: auto$mpg and manual$mpg# t = 37671, df = 18.332, p-value = 0.001374# alternative hypothesis: true difference in mean s is not equal to 0 # 95 percent confidence interval:#-11.280194-3.209684# sample estimates:# mean of x mean of y#17.1473724.39231
R语言回归模型项目分析报告论文(附代码数据)
