我想知道是否有办法为线性回归模型包含误差项，例如:
r = lm(y ~ x1+x2)
最佳答案
代码r = lm(y ~ x1+x2)意味着我们将 y 建模为 x1 和 x2 的线性函数。由于模型不会是完美的，因此会有一个残差项(即模型未能拟合的剩余项)。
在数学方面，正如 Rob Hyndman 在评论中指出的，y = a + b1*x1 + b2*x2 + e ，其中 a , b1和 b2是常数和 e是您的残差(假设为正态分布)。
为了看一个具体的例子，考虑 R 附带的虹膜数据。
model1 <- lm(Sepal.Length ~ Sepal.Width + Petal.Length + Petal.Width, data=iris)
现在我们可以从模型中提取常量(相当于
a 、 b1 、 b2 ，在本例中也是 b3 )。> coefficients(model1)
(Intercept) Sepal.Width Petal.Length Petal.Width
1.8559975 0.6508372 0.7091320 -0.5564827
已为模型中使用的每一行数据计算残差。
> residuals(model1)
1 2 3 4 5
0.0845842387 0.2100028184 -0.0492514176 -0.2259940935 -0.0804994772
# etc. There are 150 residuals and 150 rows in the iris dataset.
(编辑:将摘要信息剪切为不相关。)
编辑:
Error您在 aov 的帮助页面上解释的评论中提到的值(value)。If the formula contains a single ‘Error’ term, this is used to
specify error strata, and appropriate models are fitted within
each error stratum.
比较以下内容(改编自
?aov 页面。)> utils::data(npk, package="MASS")
> aov(yield ~ N*P*K, npk)
Call:
aov(formula = yield ~ N * P * K, data = npk)
Terms:
N P K N:P N:K P:K N:P:K Residuals
Sum of Squares 189.2817 8.4017 95.2017 21.2817 33.1350 0.4817 37.0017 491.5800
Deg. of Freedom 1 1 1 1 1 1 1 16
Residual standard error: 5.542901
Estimated effects may be unbalanced
> aov(yield ~ N*P*K + Error(block), npk)
Call:
aov(formula = yield ~ N * P * K + Error(block), data = npk)
Grand Mean: 54.875
Stratum 1: block
Terms:
N:P:K Residuals
Sum of Squares 37.00167 306.29333
Deg. of Freedom 1 4
Residual standard error: 8.750619
Estimated effects are balanced
Stratum 2: Within
Terms:
N P K N:P N:K P:K Residuals
Sum of Squares 189.28167 8.40167 95.20167 21.28167 33.13500 0.48167 185.28667
Deg. of Freedom 1 1 1 1 1 1 12
Residual standard error: 3.929447
1 out of 7 effects not estimable
Estimated effects may be unbalanced
关于r - 在线性回归模型中包含误差项，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/1801487/