你让我瞌睡
r语言怎么计算回归模型的置信区间
用predict就能做到。
predict的用法：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, ...)object是你的回归模型。
newdata是使用的数据。
interval选confidence或者＂c＂。
level是置信水平。
type在计算响应变量时使用response，对变量计算使用terms。
如果是terms，需要用后面terms参数指定变量名（character类型向量形式）。
r语言怎么计算回归模型的置信区间
展开全部 用predict就能做到。
predict的用法：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， ...）只要注意其中的object,newdata,interval,level,type就行。
object是你的回归模型。
newdata是使用的数据。
interval选confidence或者＂c＂。
level是置信水平。
type在计算响应变量时使用response，对变量计算使用terms。
如果是terms，需要用后面的terms参数指定变量名（character类型向量形式）。
response的话返回一个数据框，三列，分别是预测值，区间下限和上限。
terms返回一个list。
求分析stata多元线性回归结果
我晕，白写了啊，，刚才不小心改掉了。
首先说觉得你这个方程回归的不好，R系数太小，显著性不好。
F值应该大于该自由度下查表的值才行，所有的t值大于查表得到的值，这样从方程到参量全部显著。
不过受制于原始数据，一般都不完美，回归的方程都这样鸟样，能凑合用。
F值代表整个方程的显著程度，F>F(P,n-P-1),n为数据组数，P为自变量个数。
F,t可以查表或者用函数求解。
置信区间严格说不能包括0的，包括0表明该自变量对因变量不显著，需要剔除重新回归的。
p值需要小于默认的alpha值，也就是p可是，我很疑惑你的主题。
如果只是想要得到劣习的影响程度顺序，只需要做一下灰色关联分析就行，可以很简单的得到各个影响因素的排序，分清楚主要影响和次要影响。
多元线性回归数据不好的话出来的误差很大，而且不做-5%~5%敏感度浮动分析也看不出来谁的影响更大，除非你自己编程能一直自动的判定显著性并且会自动重新回归。
小弟也是工作需要，最近自学的这部分内容，不知道说的对不，互通有无吧。
另外，hypothesis假设没看懂。
我是用MATLAB和EXCEL做的多元线性回归，EXCEL做的灰色关联分析。
matlab中的regress函数。
。
。
。
matlab中的regress函数等号右边完整为：regress(Y,X,alpha)bint是回归系数的区间估计，r是残差，rint是置信区间，stats是用于检验回归模型的统计量，有三个数值：相关系数r^2,F值，与F对应的概率P,alpha是显著性水平（缺省的时候为0.05）。
相关系数r^2越大，说明回归方程越显著；与F对应的概率P例如：t=[90 210 330 570 690 1350]';R=[1.9010 1.7875 1.5169 1.1658 0.9845 0.2695]';t=[ones(6,1),t][b,bint,r,rint,stats]=regress(R,t,0.05)regress函数是回归一下r和t之间的线性关系。
回归分析表怎么看懂？
首先来说明各个符号，B也就是beta，代表回归系数，标准化的回归系数代表自变量也就是预测变量和因变量的相关，为什么要标准化，因为标准化的时候各个自变量以及因变量的单位才能统一，使结果更精确，减少因为单位不同而造成的误差。
T值就是对回归系数的t检验的结果，绝对值越大，sig就越小，sig代表t检验的显著性，在统计学上，sig<0.05一般被认为是系数检验显著，显著的意思就是你的回归系数的绝对值显著大于0，表明自变量可以有效预测因变量的变异，做出这个结论你有5%的可能会犯错误，即有95%的把握结论正确。
回归的检验首先看anova那个表，也就是F检验，那个表代表的是对你进行回归的所有自变量的回归系数的一个总体检验，如果sig<0.05，说明至少有一个自变量能够有效预测因变量，这个在写数据分析结果时一般可以不报告然后看系数表，看标准化的回归系数是否显著，每个自变量都有一个对应的回归系数以及显著性检验最后看模型汇总那个表，R方叫做决定系数，他是自变量可以解释的变异量占因变量总变异量的比例，代表回归方程对因变量的解释程度，报告的时候报告调整后的R方，这个值是针对自变量的增多会不断增强预测力的一个矫正（因为即使没什么用的自变量，只要多增几个，R方也会变大，调整后的R方是对较多自变量的惩罚），R可以不用管，标准化的情况下R也是自变量和因变量的相关
如何用matlab线性回归分析
展开全部 回归分析是处理两个及两个以上变量间线性依存关系的统计方法。
可以通过软件Matlab实现。
在Matlab中，可以直接调用命令实现回归分析， （1）[b,bint,r,rint,stats]=regress(y,x)，其中b是回归方程中的参数估计值，bint是b的置信区间，r和rint分别表示残差及残差对应的置信区间。
stats包含三个数字，分别是相关系数，F统计量及对应的概率p值。
（2）recplot(r,rint)作残差分析图。
（3）rstool(x,y)一种交互式方式的句柄命令。
例，现有多个样本的因变量和自变量的数据，下面我们利用Matlab，通过回归分析建立两者之间的回归方程。
1.% 一元回归分析 x=[1097 1284 1502 1394 1303 1555 1917 2051 2111 2286 2311 2003 2435 2625 2948 3, 55 3372]；%自变量序列数据 y=[698 872 988 807 738 1025 1316 1539 1561 1765 1762 1960 1902 2013 2446 2736 2825]；%因变量序列数据 X=[ones(size(x')),x'],pause [b,bint,r,rint,stats]=regress(y',X,0.05),pause%调用一元回归分析函数 rcoplot(r,rint)%画出在置信度区间下误差分布。
2.% 多元回归分析 % 输入各种自变量数据 x1=[5.5 2.5 8 3 3 2.9 8 9 4 6.5 5.5 5 6 5 3.5 8 6 4 7.5 7]'; x2=[31 55 67 50 38 71 30 56 42 73 60 44 50 39 55 70 40 50 62 59]'; x3=[10 8 12 7 8 12 12 5 8 5 11 12 6 10 10 6 11 11 9 9]'; x4=[8 6 9 16 15 17 8 10 4 16 7 12 6 4 4 14 6 8 13 11]'； %输入因变量数据 y=[79.3 200.1 163.1 200.1 146.0 177.7 30.9 291.9 160 339.4 159.6 86.3 237.5 107.2 155 201.4 100.2 135.8 223.3 195]'; X=[ones(size(x1)),x1,x2,x3,x4]; [b,bint,r,rint,stats]=regress(y,X)%回归分析 Q=r'*r sigma=Q/18 rcoplot(r,rint); 3.%逐步回归 X1=[x1,x2,x3,x4]; stepwise(X1,y,[1,2,3])%逐步回归 % X2=[ones(size(x1)),x2,x3]; % X3=[ones(size(x1)),x1,x2,x3]; % X4=[ones(size(x1)),x2,x3,x4]; % [b1,b1int,r1,r1int,stats1]=regress(y,X2) % [b2,b2int,r2,r2int,stats2]=regress(y,X3); % [b3,b3int,r3,r3int,stats3]=regress(y,X4);
如何用matlab线性回归分析
回归分析是处理两个及两个以上变量间线性依存关系的统计方法。
可以通过软件Matlab实现。
在Matlab中，可以直接调用命令实现回归分析，(1)[b,bint,r,rint,stats]=regress(y,x)，其中b是回归方程中的参数估计值，bint是b的置信区间，r和rint分别表示残差及残差对应的置信区间。
stats包含三个数字，分别是相关系数，F统计量及对应的概率p值。
(2)recplot(r,rint)作残差分析图。
(3)rstool(x,y)一种交互式方式的句柄命令。
例，现有多个样本的因变量和自变量的数据，下面我们利用Matlab，通过回归分析建立两者之间的回归方程。
1.% 一元回归分析x=[1097 1284 1502 1394 1303 1555 1917 2051 2111 2286 2311 2003 2435 2625 2948 3, 55 3372]；%自变量序列数据y=[698 872 988 807 738 1025 1316 1539 1561 1765 1762 1960 1902 2013 2446 2736 2825]；%因变量序列数据X=[ones(size(x')),x'],pause [b,bint,r,rint,stats]=regress(y',X,0.05),pause%调用一元回归分析函数rcoplot(r,rint)%画出在置信度区间下误差分布。
2.% 多元回归分析% 输入各种自变量数据x1=[5.5 2.5 8 3 3 2.9 8 9 4 6.5 5.5 5 6 5 3.5 8 6 4 7.5 7]';x2=[31 55 67 50 38 71 30 56 42 73 60 44 50 39 55 70 40 50 62 59]';x3=[10 8 12 7 8 12 12 5 8 5 11 12 6 10 10 6 11 11 9 9]';x4=[8 6 9 16 15 17 8 10 4 16 7 12 6 4 4 14 6 8 13 11]';%输入因变量数据y=[79.3 200.1 163.1 200.1 146.0 177.7 30.9 291.9 160 339.4 159.6 86.3 237.5 107.2 155 201.4 100.2 135.8 223.3 195]';X=[ones(size(x1)),x1,x2,x3,x4];[b,bint,r,rint,stats]=regress(y,X)%回归分析Q=r'*rsigma=Q/18rcoplot(r,rint);3.%逐步回归X1=[x1,x2,x3,x4];stepwise(X1,y,[1,2,3])%逐步回归% X2=[ones(size(x1)),x2,x3];% X3=[ones(size(x1)),x1,x2,x3];% X4=[ones(size(x1)),x2,x3,x4];% [b1,b1int,r1,r1int,stats1]=regress(y,X2)% [b2,b2int,r2,r2int,stats2]=regress(y,X3);% [b3,b3int,r3,r3int,stats3]=regress(y,X4);
行*列表卡方检验如何计算or和可信区间。
怎么分割？spss怎么操作？
卡方检验你的数据应该用交叉列联表做，数据录入格式为：建立两个变量，变量1是组别，正常对照组用数据1表示，病例组用数据2表示；变量2是位点，A用1表示，C用2表示，还有一个变量3是权重，例数数据录入完成后，点analyze-descriptive statistics-crosstabs-把变量1选到rows里，把变量2选到column里，然后点击下面的statistics，打开对话框，勾选chi-squares，然后点continue，再点ok，出来结果的第3个表就是你要的卡方检验，第一行第一个数是卡方值，后面是自由度，然后是P值。
...
