如何绘制R中的线性回归？

Question

我想在R

中做出以下线性回归的情况

year<-rep(2008:2010,each=4)
quarter<-rep(1:4,3)
cpi<-c(162.2,164.6,166.5,166.0,166.4,167.0,168.6,169.5,170.0,172.0,173.3,174.0)
plot(cpi,xaxt="n",ylab="CPI",xlab="")
axis(1,labels=paste(year,quarter,sep="C"),at=1:12,las=3)
fit<-lm(cpi~year+quarter)

我想绘制显示我处理的数据的线性回归的线。我尝试过：

abline(fit)
abline(fit$coefficients[[1]],c(fit$coefficients[[2]],fit$coefficients[[3]]))

问题是我的公式是：

y=a+b*year+c*quarter

而不是更简单的事情：

y=a+b*year

那么如何绘制显示线性回归的那条线？

是否可以用abline画线？

Answer 1

您在寻找predict功能吗？

例如：使用lines(predict(fit))将给出：

您还可以使用它来预测将来的数据与计算的系数对齐。 E.g。

# plot the existing data with space for the predicted line
plot(c(cpi,rep(NA,12)),xaxt="n",ylab="CPI",xlab="",ylim=c(162,190))

# plot the future predictions as a line using the next 3 year periods
lines(13:24,
      predict(
        fit,
        newdata=data.frame(year=rep(c(2011,2012,2013),each=4),quarter=rep(1:4,3))
             )
     )

year<-rep(2008:2013,each=4)
axis(1,labels=paste(year,quarter,sep="C"),at=1:24,las=3)

Answer 2

cpi<-c(162.2,164.6,166.5,166.0,166.4,167.0,168.6,169.5,170.0,172.0,173.3,174.0)
cpits <- ts(cpi, start=2008, frequency=4)
plot(decompose(cpits))

Answer 3

Humbug的。这些都是合理的解决方案，但它们不能满足您的要求。现在你要求的是稍微凉爽和完全不切实际，但可以使用rgl完成。

f <- function(x, y, coefs){
  z <- coefs[1] + coefs[2] * x + coefs[3] * y
  z
}

x <- seq(from=min(year), to=max(year), length.out=100)
y <- seq(from=min(quarter), to=max(quarter), length.out=100)

z <- outer(x, y, f, coefs=coef(fit))

现在rgl发生魔法：

library(rgl)

persp3d(x, y, z, col="lightblue")

这里没有公正，但它很漂亮，你可以移动它。

到底是什么，让我们添加你原来的分数

points3d(year, quarter, cpi, size=5, col="red")

Answer 4

错误在于您格式化数据的方式。这是另一种选择：

year<-seq(from=2008,to=2010.75,by=.25)
cpi<-c(162.2,164.6,166.5,166.0,166.4,167.0,168.6,169.5,170.0,172.0,173.3,174.0)
df <- data.frame(year,cpi)
plot(df)+abline(lm(df$cpi~df$year))

然后，如果您愿意，可以重新格式化轴标签。

Answer 5

TeachingDemos包中的Predict.Plot和TkPredict函数将绘制其中一个预测变量与响应变量之间的关系，这些变量以其他预测变量的值为条件。 Predict.Plot可以非常简单地查看来自不同条件的多行，而TkPredict可以让您以交互方式更改正在调整的值（并生成Predict.Plot代码以重新创建当前的绘图）。< / p>

这些函数适用于多个预测变量的回归模型，但不如分解时间序列那么好。