R - 多元回归：初学者指南

你好，未来的R语言程序员们！今天，我们将要开始一段激动人心的旅程，探索使用R语言进行多元回归的世界。如果你之前从未编写过一行代码，也不用担心——我会一路作为你的友好向导。在这个教程结束时，你会对你仅用几行R代码就能完成的事情感到惊讶！

什么是多元回归？

在我们深入代码之前，让我们先了解一下多元回归是什么。想象你正在尝试预测房价。你可能会考虑房屋的大小，但这并不是唯一的因素，对吧？卧室数量、邻里环境，甚至是房屋的年龄都可能起到作用。多元回归是一种统计技术，它帮助我们理解多个因素（我们称之为自变量）如何影响一个结果（我们的因变量）。

lm() 函数：你的新好朋友

在R中，我们使用lm()函数来执行多元回归。 "lm"代表“线性模型”，它将成为你在统计世界中的新好朋友。让我们分解一下如何使用它：

model <- lm(dependent_variable ~ independent_variable1 + independent_variable2 + ..., data = your_dataset)

这可能看起来有点吓人，但让我们分解一下：

• model只是一个我们用来存储回归结果的名称。
• dependent_variable是我们试图预测的变量。
• ~在R语言中就像是在说“由...解释”。
• independent_variable1、independent_variable2等是我们的预测变量。
• data = your_dataset告诉R在哪里找到我们的变量。

一个逐步示例

让我们一起通过一个真实示例。我们将使用R中的一个内置数据集，名为mtcars（汽车趋势汽车道路测试的缩写）。这是一个关于不同汽车模型及其特性的数据集。

步骤 1：探索我们的数据

首先，让我们先看看我们的数据：

head(mtcars)

这将显示数据集的前几行。你会看到像mpg（每加仑英里数）、cyl（气缸数量）、disp（排量）和hp（马力）这样的列。

步骤 2：创建我们的模型

假设我们想根据汽车的重量（wt）和马力（hp）来预测其每加仑英里数（mpg）。以下是如何操作的：

car_model <- lm(mpg ~ wt + hp, data = mtcars)

步骤 3：理解我们的结果

现在，让我们看看我们的模型告诉了我们什么：

summary(car_model)

这个命令会给我们提供大量信息。如果其中一些看起来像天书，也不用担心——我们会关注关键部分：

1. 系数：这些告诉我们每个变量如何影响mpg。负值意味着当变量增加时，mpg会减少。
2. R平方：这告诉我们模型拟合数据的程度。它的范围从0到1，1代表完美拟合。
3. p值：这些告诉我们结果是否具有统计学意义。通常，我们寻找小于0.05的值。

步骤 4：进行预测

现在是有趣的部分——让我们用我们的模型来预测一辆重量为3000磅，马力为150的汽车的mpg：

new_car <- data.frame(wt = 3, hp = 150)
predict(car_model, new_car)

就这样！你已经用多元回归进行了预测。

可视化我们的结果

一幅图胜过千言万语，特别是在数据科学中。让我们创建一个简单的图表来可视化我们的模型：

plot(mtcars$wt, mtcars$mpg, main = "重量 vs 每加仑英里数", xlab = "重量", ylab = "每加仑英里数")
abline(lm(mpg ~ wt, data = mtcars), col = "red")

这将创建一个重量与mpg的散点图，并添加了我们的红色回归线。

多元回归中的常见方法

以下是一些你可能在使用回归模型时用到的方法：

方法	描述
summary()	提供回归模型的详细摘要
coefficients()	返回模型的系数
residuals()	显示观测值与预测值之间的差异
predict()	使用模型进行预测
plot()	创建各种诊断图
anova()	对模型进行方差分析

结论

恭喜你！你已经迈出了使用R进行多元回归的第一步。记住，像学习任何新技能一样，熟能生巧。不要害怕尝试不同的数据集和变量。

在我们结束之际，我想起一个学生曾经告诉我：“我从没想过我可以用数学来预测任何东西！”好吧，现在你不仅可以预测事物，而且可以同时考虑多个因素。这难道不是一种超能力吗？

继续编码，继续学习，最重要的是，继续在R中享受乐趣！

Credits: Image by storyset