当两个变量有线性关系时,通常使用简单线性回归测定它们的关系。但变量间有二次关系时,应该使用二次回归进行拟合。本文介绍R如何实现二次回归。
示例
假设我们希望理解工作时长与幸福感之间的关系。现收集到下面数据集,包括每周工作时长以及调查反馈的幸福感(0~100):
#create data
data
首先我们利用散点图看下变量之间的关系:
plot(data$hours, data$happiness, pch=16)
上图明显看到变量之间不是线性关系。下面我们使用简单线性回归模型看下数据拟合情况:
拟合简单线性模型
linearModel |t|)
(Intercept) 48.4531 17.3288 2.796 0.0208 *
hours 0.2981 0.4599 0.648 0.5331
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#
Residual standard error: 28.72 on 9 degrees of freedom
Multiple R-squared: 0.0446, Adjusted R-squared: -0.06156
F-statistic: 0.4201 on 1 and 9 DF, p-value: 0.5331
通过 Multiple R-squared: 0.0446
表明模型仅能解释4.46%幸福感 。下面我们采用二次回归模型:
创建新的二次变量
data$hours2 |t|)
(Intercept) -18.25364 6.18507 -2.951 0.0184 *
hours 6.74436 0.48551 13.891 6.98e-07 ***
hours2 -0.10120 0.00746 -13.565 8.38e-07 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#
Residual standard error: 6.218 on 8 degrees of freedom
Multiple R-squared: 0.9602, Adjusted R-squared: 0.9502
F-statistic: 96.49 on 2 and 8 DF, p-value: 2.51e-06
这次我们看到模型可以解释96.2%的幸福感方差。下面利用可视化方式查看模型拟合数据情况:
创建时长序列
hourValues
可以看到二次回归模型拟合效果非常好。我们再看看二次模型的输出信息:
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -18.25364 6.18507 -2.951 0.0184 *
hours 6.74436 0.48551 13.891 6.98e-07 ***
hours2 -0.10120 0.00746 -13.565 8.38e-07 ***
基于上面的输出信息,二次回归模型应该为:
** Happiness = -0.1012(hours)2 {^2}2 + 6.7444(hours) – 18.2536
我们可以利用这个方程基于每周工作时长来计算幸福感。
例如,一个每周工作60小时的人的幸福水平预计为22.09:
幸福= -0.1012(60)2 {^2}2 + 6.7444(60)- 18.2536 = 22.09
相反,每周工作30小时的人的幸福水平预计为92.99:
幸福= -0.1012(30)2 {^2}2 + 6.7444(30)- 18.2536 = 92.99
Original: https://blog.csdn.net/neweastsun/article/details/124992578
Author: 梦想画家
Title: 通过示例快速理解二次回归
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/640272/
转载文章受原作者版权保护。转载请注明原作者出处!