2.2 Линейные модели

Основная функция для подгонки обычным многоуровневым моделям является lm(),а усовершенствованный вариант вызова выглядит следующим образом:

> fitted.model <- lm(formula, data = data.frame)

Например:

> fm2 <- lm(y ~ x1 + x2, data = production)

будет соответствовать подгонке множественной регрессионной модели y на x1 и x2 (с неявным параметром смещения).

Важный (но технически дополнительный) параметр data = production указывает, что любые переменные, необходимые для создания модели, должны быть в первую очередь из фрейма данных production. Это не зависит от того, был ли фрейм данных production присоединен к пути поиска или нет.

2.3 Универсальные функции для извлечения информации о модели

Значением lm()является подогнанный объект model; технически это список результатов класса "lm". В этом случае информация о подогнанной модели может быть выведена на экран, извлечена, графически изображена и так далее при использовании универсальных функций, которые относятся к объектам класса "lm". Они включают:

add1	deviance	formula	predict	step	drop1	kappa	print	summary
anova	effects	labels	proj	vcov	coef	family	plot	residuals

Краткое описание наиболее часто используемых функций дано ниже.

anova(object_1, object_2)

Сравните подмодель с внешней моделью и произведите таблицу дисперсионного анализа.

coef(object)

Сумма квадратов остатков, взвешенная если возможно.

formula(object)

Извлеките формулу модели.

plot(object)

Произведите четыре рисунка, показав остатки, подогнанное значение и некоторую диагностику.

predict(object, newdata=data.frame)

Предоставленному фрейму данных нужно было специфицировать переменные с теми же самыми метками как оригинал. Значение - вектор или матрица ожидаемых значений, соответствующих значениям определенных переменных в data.frame.

Выберите подходящую модель, добавляя или отбрасывая параметры и сохраняя иерархии. Возвращается модель с наименьшим значением AIC (информационный критерий), обнаруженным в пошаговом поиске.

summary(object)

Напечатайте общую сводку результатов регрессионного анализа.

vcov(object)

Возвращает матрицу ковариации дисперсии основных параметров подогнанного объекта модели.

2.4 Дисперсионный анализ и сравнение модели

Функция подгонки модели aov(формула, data=data.frame) работает на самом простом уровне очень похожим способом как функцияlm(), и большинство универсальных функций, перечисленных в таблице в Разделе 11.3 [Универсальные функции для извлечения информацию о модели].

Нужно отметить, что дополнительно aov()позволяет анализировать модели с множественными слоями ошибок, такими как рисунками разделенных экспериментов, или сбалансированные неполноблочные планы с восстановлением межблочной информации. Формула модели:

response ~ mean.formula + Error(strata.formula)

указывает на многослойный эксперимент с ошибками слоев определенными strata.formula. В самом простом случаеstrata.formula- просто фактор, когда определяет два слоя эксперимента, а именно, между и внутри уровней фактора.

Например, со всеми определенными переменными факторами, формула модели выглядит следующим образом:

> fm <- aov(yield ~ v + n*p*k + Error(farms/blocks), data=farm.data)