共计 3304 个字符，预计需要花费 9 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=21557
分段回归 (piecewise regression)，顾名思义，回归式是“分段”拟合的。其灵便用于响应变量随自变量值的扭转而存在多种响应状态的状况，二者间难以通过一种回归模型预测或解释时，无妨依据响应状态找到适合的断点地位，而后将自变量划分为无限的区间，并在不同区间内别离构建回归形容二者关系。分段回归最简略最常见的类型就是分段线性回归(piecewise linear regression)，即各分段内的部分回归均为线性回归。
本文咱们试图预测车辆的制动间隔，同时思考到车辆的速度。
| > summary(reg) | |
| Call: | |
| Residuals: | |
| Min 1Q Median 3Q Max | |
| -29.069 -9.525 -2.272 9.215 43.201 | |
| Coefficients: | |
| Estimate Std. Error t value Pr(>|t|) | |
| (Intercept) -17.5791 6.7584 -2.601 0.0123 * | |
| speed 3.9324 0.4155 9.464 1.49e-12 *** | |
| --- | |
| Signif. codes: 0‘***’0.001‘**’0.01‘*’0.05‘.’0.1‘’1 | |
| Residual standard error: 15.38 on 48 degrees of freedom | |
| Multiple R-squared: 0.6511, Adjusted R-squared: 0.6438 | |
| F-statistic: 89.57 on 1 and 48 DF, p-value: 1.49e-12 |
要手动进行多个预测，能够应用以下代码（循环容许对多个值进行预测）
| for(x in seq(3,30)){ | |
| + Yx=b0+b1*x | |
| + V=vcov(reg) | |
| + IC1=Yx+c(-1,+1)*1.96*sqrt(Vx) | |
| + s=summary(reg)$sigma | |
| + IC2=Yx+c(-1,+1)*1.96*s |
而后在一个随机抉择的 20 个观测值的根底上进行线性回归。
lm(dist~speed,data=cars[I,])
目标是使观测值的数量对回归品质的影响可视化。
| Residuals: | |
| Min 1Q Median 3Q Max | |
| -23.529 -7.998 -5.394 11.634 39.348 | |
| Coefficients: | |
| Estimate Std. Error t value Pr(>|t|) | |
| (Intercept) -20.7408 9.4639 -2.192 0.0418 * | |
| speed 4.2247 0.6129 6.893 1.91e-06 *** | |
| --- | |
| Signif. codes: 0‘***’0.001‘**’0.01‘*’0.05‘.’0.1‘’1 | |
| Residual standard error: 16.62 on 18 degrees of freedom | |
| Multiple R-squared: 0.7252, Adjusted R-squared: 0.71 | |
| F-statistic: 47.51 on 1 and 18 DF, p-value: 1.91e-06 | |
| > for(x in seq(3,30,by=.25)){ | |
| + Yx=b0+b1*x | |
| + V=vcov(reg) | |
| + IC=Yx+c(-1,+1)*1.96*sqrt(Vx) | |
| + points(x,Yx,pch=19 |
能够应用 R 函数进行预测，具备置信区间
| fit lwr upr | |
| 1 42.62976 34.75450 50.50502 | |
| 2 84.87677 68.92746 100.82607 | |
| > predict(reg, | |
| fit lwr upr | |
| 1 42.62976 6.836077 78.42344 |
当有多个解释变量时，“可视化”回归就变得更加简单了
| > image(VX2,VX3,VY) | |
| > contour(VX2,VX3,VY,add=TRUE) |
这是一个回归三维曲面_图_
> persp(VX2,VX3,VY,ticktype=detailed)
咱们将更具体地探讨这一点，但从这个线性模型中能够很容易地进行非线性回归。咱们从间隔对数的线性模型开始
> abline(reg1)
因为咱们在这里没有任何对于间隔的预测，只是对于它的对数 …… 但咱们稍后会探讨它
lm(sqrt(dist)~speed,data=cars)
还能够转换解释变量。你能够设置断点(阈值)。咱们从一个批示变量开始
| Residuals: | |
| Min 1Q Median 3Q Max | |
| -29.472 -9.559 -2.088 7.456 44.412 | |
| Coefficients: | |
| Estimate Std. Error t value Pr(>|t|) | |
| (Intercept) -17.2964 6.7709 -2.555 0.0139 * | |
| speed 4.3140 0.5762 7.487 1.5e-09 *** | |
| speed > s TRUE -7.5116 7.8511 -0.957 0.3436 | |
| --- | |
| Signif. codes: 0‘***’0.001‘**’0.01‘*’0.05‘.’0.1‘’1 | |
| Residual standard error: 15.39 on 47 degrees of freedom | |
| Multiple R-squared: 0.6577, Adjusted R-squared: 0.6432 | |
| F-statistic: 45.16 on 2 and 47 DF, p-value: 1.141e-11 |
然而你也能够把函数放在一个分段的线性模型里，同时放弃连续性。
| Residuals: | |
| Min 1Q Median 3Q Max | |
| -29.502 -9.513 -2.413 5.195 45.391 | |
| Coefficients: | |
| Estimate Std. Error t value Pr(>|t|) | |
| (Intercept) -7.6519 10.6254 -0.720 0.47500 | |
| speed 3.0186 0.8627 3.499 0.00103 ** | |
| speed - s 1.7562 1.4551 1.207 0.23350 | |
| --- | |
| Signif. codes: 0‘***’0.001‘**’0.01‘*’0.05‘.’0.1‘’1 | |
| Residual standard error: 15.31 on 47 degrees of freedom | |
| Multiple R-squared: 0.6616, Adjusted R-squared: 0.6472 | |
| F-statistic: 45.94 on 2 and 47 DF, p-value: 8.761e-12 |
在这里，咱们能够设想几个分段
| posi=function(x) ifelse(x>0,x,0) | |
| Coefficients: | |
| Estimate Std. Error t value Pr(>|t|) | |
| (Intercept) -7.6305 16.2941 -0.468 0.6418 | |
| speed 3.0630 1.8238 1.679 0.0998 . | |
| positive(speed - s1) 0.2087 2.2453 0.093 0.9263 | |
| positive(speed - s2) 4.2812 2.2843 1.874 0.0673 . | |
| --- | |
| Signif. codes: 0‘***’0.001‘**’0.01‘*’0.05‘.’0.1‘’1 | |
| Residual standard error: 15 on 46 degrees of freedom | |
| Multiple R-squared: 0.6821, Adjusted R-squared: 0.6613 | |
| F-statistic: 32.89 on 3 and 46 DF, p-value: 1.643e-11 |
正如目前所看到的，后两个系数的显著性测试并不意味着斜率为零，而是与左侧区域（在两个阈值之前）的斜率显著不同。
最受欢迎的见解
1.R 语言多元 Logistic 逻辑回归 利用案例
2. 面板平滑转移回归 (PSTR) 剖析案例实现
3.matlab 中的偏最小二乘回归（PLSR）和主成分回归（PCR）
4.R 语言泊松 Poisson 回归模型剖析案例
5.R 语言回归中的 Hosmer-Lemeshow 拟合优度测验
6.r 语言中对 LASSO 回归，Ridge 岭回归和 Elastic Net 模型实现
7. 在 R 语言中实现 Logistic 逻辑回归
8.python 用线性回归预测股票价格
9.R 语言如何在生存剖析与 Cox 回归中计算 IDI，NRI 指标
