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