R「線形回帰分析と統計モデル」page141,5.2

RM（リスト=のLS（））
ライブラリー（車）
ライブラリー（MASS）
ライブラリー（openxlsx）
A = read.xlsx（ "data141.xlsx"）
ヘッド（A）

FM = LM（Y〜X1 + X2 + X3 + X4、データ= A）
＃多重共の分析
明るい（FM）

>ブライト（FM）
       ×1×2×3×4 
 38.49621 254.42317 282.51286 46.86839＃は多重共を持っています

＃主成分回帰
A.pr = princomp（〜X1 + X2 + X3 + X4、データ= A、COR = T）
（A.pr、負荷= T）＃出力特性概要と固有ベクトル

>（A.pr、負荷= T）＃出力固有値と固有ベクトル要約
コンポーネントの重要性：
                         Comp.1 Comp.2 Comp.3 Comp.4
標準偏差1.495227 1.2554147 0.43197934 0.0402957285
分散0.558926 0.3940165 0.04665154 0.0004059364の割合
累積寄与率0.558926 0.9529425 0.99959406 1.0000000000

負荷：
   Comp.1 Comp.2 Comp.3 Comp.4
X1 0.476 0.509 0.676 0.241
X2 0.564 -0.414 -0.314 0.642
X3 -0.394 -0.605 0.638 0.268
x4 -0.548  0.451 -0.195  0.677

予備=（A.pr）＃主成分、合成ベクター、ない実用的な意義を予測します
$ Z1 =事前に[1]
＃主成分の累積寄与率2つの変数を保持するために応じて$ Z2 =プレ[2,1]

lm.sol = LM（Y〜Z1 + Z2、データ= A）＃主成分予測線形回帰
lm.sol

> lm.sol

コール：
LM（式= Y〜Z1 + Z2、データ= A）

係数：
（インターセプト）Z1、Z2  
    95.4231 9.4954 -0.1201

>概要（lm.sol）＃モデルの詳細

コール：
LM（式= Y〜Z1 + Z2、データ= A）

残差：
    分1Q中央値3Qマックス 
-3.3305 -2.1882 -0.9491 1.0998 4.4251 

係数：
            見積りSTD。エラーt値のPr（> | T |）    
（インターセプト）95.4231 0.8548 111.635 <2E-16 ***
Z1 9.4954 0.5717 16.610 1.31e-08 ***
Z2 -0.1201 0.6809 -0176 0864    
---
有意性。コード：0 '***' 0.001 '**' 0.01 '*' 0.05 '' 0.1 '' 1

残留標準誤差：自由3.082 10に度
複数のR二乗：0.965、R二乗調整：0.958を 
F統計量：2で138と10 DF、p値：5.233e-08

主成分分析のベータ= COEF（lm.sol）＃予測係数
ベータ

>ベータ版
（インターセプト）Z1、Z2 
 95.4230769 9.4953702 -0.1200892

＃予測削減
eigen_vec =負荷（A.pr）＃固有ベクトル
x.bar = A.pr $中央＃が意味ですか？
x.sd = A.pr $スケール＃標準エラー？
xishu_1 =（ベータ[2] * eigen_vec [1]）/ x.sd
xishu_2 =（ベータ[3] * eigen_vec [2]）/ x.sd
COEF = xishu_1 + xishu_2
COEF
beta0 =ベータ[1]  - 和（x.bar * COEF）
Bの= Cの（beta0、COEF）
回帰係数Bの＃減少

＃リッジ見積り
esti_ling = lm.ridge（Y〜X1 + X2 + X3 + X4、データ= A、ラムダ= SEQ（0,15,0.01））
プロット（esti_ling）

＃テイクK = 5
K = 5
X = CBIND（1、as.matrix（A [2：5]））
Y = A [6]
B_ =解く（（T（X）％※％のX）+ K * DIAG（5））％※％のT（X）％※％のY
B_

> B_
         [1]
   0.06158362
X1 2.12614307
X2 1.16796919
X3 0.71043177
x4 0.49566883

R「線形回帰分析と統計モデル」page141,5.2

おすすめ