多元回归分析，很多很多问题

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

为什么在做多元回归时，总是出现
错误于model.frame.default(formula = y ~ x + x2 + x3 + x4 + x5, drop.unused.levels = TRUE) : 参数'x'的种类(NULL)不对
而且明明是5个自变量，怎么运行出来只有四个？

Call:
lm(formula = y ~ 1 + x + x2 + x3 + x4)
我在方程里引入了虚拟变量，取值0或1，写的程序里有什么值得注意的地方吗？

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：多元回归分析 多元回归 回归分析 Formula Default 回归分析 自变量 程序 而且 种类 主成分分析法 spss主成分分析 逐步回归分析 多元回归分析 因子分析法 应用时间序列分析

能否把数据传上来？我试试。

nieqiang110 发表于 2013-11-17 20:35
能否把数据传上来？我试试。

半对数模型，谢谢了

半对数模型，谢谢了

nieqiang110 发表于 2013-11-17 20:35
能否把数据传上来？我试试。

数据传了

banxiaxia 发表于 2013-11-17 23:48
数据传了

1. > dd<-read.csv('ddd.csv')
   
2. > lm.D9 <- with(dd,lm(LINE ~ GENDER+A11A_93+AGE+urban+indinc_cpi))
   
3. > summary(lm.D9)
   
4. 
   
5. Call:
   
6. lm(formula = LINE ~ GENDER + A11A_93 + AGE + urban + indinc_cpi)
   
7. 
   
8. Residuals:
   
9.     Min      1Q  Median      3Q     Max
   
10. -9.094  -4.349  -1.732   1.339 108.964
    
11. 
    
12. Coefficients:
    
13.               Estimate Std. Error t value Pr(>|t|)   
    
14. (Intercept)  1.839e+01  6.192e+00   2.971   0.0038 **
    
15. GENDER       1.800e+00  3.094e+00   0.582   0.5621   
    
16. A11A_93     -5.107e-02  2.743e-01  -0.186   0.8527   
    
17. AGE         -2.628e-01  1.161e-01  -2.264   0.0260 *
    
18. urban       -2.581e-02  3.690e+00  -0.007   0.9944   
    
19. indinc_cpi   1.362e-06  8.508e-05   0.016   0.9873   
    
20. ---
    
21. Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
    
22. 
    
23. Residual standard error: 14.4 on 91 degrees of freedom
    
24. Multiple R-squared:  0.0703,    Adjusted R-squared:  0.01921
    
25. F-statistic: 1.376 on 5 and 91 DF,  p-value: 0.2406

复制代码

ywh19860616 发表于 2013-11-18 08:42

谢谢了
我没有讲清楚，indinc_cpi是因变量，gender和urban是虚拟变量，要做半对数模型
拟合度太低是不是模型就不成立了？

日落孟良崮 发表于 2013-11-17 18:25

banxiaxia 发表于 2013-11-18 13:27
谢谢了
我没有讲清楚，indinc_cpi是因变量，gender和urban是虚拟变量，要做半对数模型
拟合度太低是不是 ...

1. >  dd<-read.csv('ddd.csv')
   
2. >  lm.D9 <- with(dd,lm(indinc_cpi ~ GENDER+A11A_93+AGE+urban+LINE))
   
3. >  summary(lm.D9)
   
4. 
   
5. Call:
   
6. lm(formula = indinc_cpi ~ GENDER + A11A_93 + AGE + urban + LINE)
   
7. 
   
8. Residuals:
   
9.    Min     1Q Median     3Q    Max
   
10. -27092  -9195  -5290   4321  98875
    
11. 
    
12. Coefficients:
    
13.             Estimate Std. Error t value Pr(>|t|)  
    
14. (Intercept) 6554.025   7960.877   0.823   0.4125  
    
15. GENDER      8547.135   3712.274   2.302   0.0236 *
    
16. A11A_93      343.573    336.152   1.022   0.3095  
    
17. AGE          188.678    145.691   1.295   0.1986  
    
18. urban        471.200   4546.127   0.104   0.9177  
    
19. LINE           2.067    129.162   0.016   0.9873  
    
20. ---
    
21. Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
    
22. 
    
23. Residual standard error: 17750 on 91 degrees of freedom
    
24. Multiple R-squared:  0.1178,    Adjusted R-squared:  0.06934
    
25. F-statistic: 2.431 on 5 and 91 DF,  p-value: 0.04083

复制代码

哪些变量需取对数，自己自行加入就可以。

从统计学意义上来说，可以通过p值判断变量的显著性，即该
解释变量对被解释变量有无影响。比如上述的GENDER可以说在
0.01水平下显著。此外，通过也看R2判断模型拟合优度。不过很多方法R2是没有意义的。