温馨的小窝

本文中分三个方法介绍判别分析，Bayes判别，距离判别，Fisher判别。前两种判别方法都要考虑两个、或多个总体协方差（这里是算方差，方差是协方差的一种）相等或不等的情况，由var.equal=的逻辑参数表示，默认是FALSE，表示认为两总体协方差不等。用样本的协方差可以估计总体的协方差。在Bayes方法中我们把相等和不等的两个结果都列了出来，距离判别里我们默认两总体协方差不等。事实上，一般使用时，我们都以两总体的协方差不等作为标准来进行后续计算。协方差计算公式：S(xy) = N,i ∑ [(xi-

R语言进行的变量相关性显著性检验在计算好相关系数以后，如何对它们进行统计显著性检验呢？常用的原假设为变量间不相关（即总体的相关系数为0）。可以使用cor.test()函数对单个的Pearson、Spearman和Kendall相关系数进行检验。简化后的使用格式为：cor.test(x,y,alternative="……",method="……")其中x和y为要检验相关性的变量，alternative则用来指定进行单侧检验或双侧检验，取值为two.side、less、greater，而met

R语言进行Box-Cox变换为什么要进行Box-Cox转换Box-Cox是一种广义幂变换，统计建模中常用的变换，用于连续响应变量不满足正态时的情况。Box-Cox的一个显著的有点是通过求变参数λ来确定变换形式，而这个过程完全基于数据本身而无需任何先导信息，这比凭经验的对数，平方根变换更客观。Box-Cox变换公式其中，y必须取正值，y值为负，首先y+a，对不同的λ所做的变换不同。λ=0对数变换；λ=-1倒数变换；λ=0.5平方根变换。基于R语言进行Box-Cox转换STEP1:加载程序包并

在R语言的lm()中拟合回归模型时注意：I(x2)表示x的平方；x2表示x与x的交互影响，自身与自身的交互还是自身，这用于有交互项的多元线性回归，如y = x1 + x2 + x1*x2。

R语言predict函数用法predict(object, newdata, se.fit = FALSE, scale = NULL, df = Inf,interval = c(“none”, “confidence”, “prediction”),level = 0.95, type = c(“response”, “terms”),terms = NULL, na.action = na.pass,pred.var = res.var/weights, weights = 1, …)参数

R语言计算线性回归的最小二乘估计全称：线性回归的最小二乘法（OLS回归），ordinary least square，字面翻译：普通最小平方；内容：包括三个部分：简单线性回归、多项式回归、多元线性回归；原理：最小二乘法，即使回归函数与实际值之差的平方和最小，来找出线性表达式的各个参数；R语言实现函数：lm()使用方法：fit<-lm(y~x1+x2……+xn,data)表达式说明如下：符号用途~分隔符号，左边为响应变量，右边为解释变量。例如，要通过x、z和w

本文主要介绍R中的各种图形绘制方法。如果想要具体了解，可在R中输入demo(graphic)或者demo(persp)查看。绘图函数需要将图输出到绘图设备上，绘图设备的形式有很多种，可以是窗口，可以是写入一个jpeg、bmp、tiff等图片文件格式，具体可用help(device)查看。打开多个绘图设备前面已经提到，绘图设备有多重，如果是R中的窗口，可以用函数x11()来打开窗口，虽然x11是在linux下的叫法，但是在windows中也可以用该函数，当然也可以用windows打开；另外如果要打.

计算相关系数cor(x, y = NULL, use = “everything”,method = c(“pearson”, “kendall”,“spearman”))可以计算三种不同的相关系数如Pearson相关系数、Spearman相关系数、Kendall相关系数。而pcor()函数包则是计算偏相关系数。** use是指定缺失值的处理方式，系统默认是use="everthing"和method=“pearson”。 **关于use 的参数， 必须是字符串“ everything”，