1.线性拟合常用函数

除了summary函数还有一些用来查看拟合程度的结果

图1 线性拟合常用函数

1.1 coefficients函数

接着用上节women的线性回归结果，也可以简写为coef(fit)

coefficients(fit)

图2 coefficients函数结果

1.2 confint函数

接着用上节women的线性回归结果

confint(fit)

图3 confint函数结果

1.3 fitted函数

接着用上节women的线性回归结果，fitted用于计算预测值。

fitted(fit)#根据height值通过预测函数计算预测值
women$weight-fitted(fit)#计算残差

图4 fitted函数结果

1.4 residuals函数

接着用上节women的线性回归结果。

residuals(fit)#计算残差

图5 residuals函数计算结果

1.5 predict函数

predict函数用拟合结果对新数据进行预测，第一次参数是拟合结果，第二个参数是新数据，接着用上节women的线性回归结果。

predict(fit,women1)#根据拟合结果对新数据进行预测

图6 predict函数计算结果

2. 绘图

2.1 plot绘图

plot函数对lm拟合的结果进行绘图，一共绘制四幅图残差拟合图，正态QQ图，大小位列图以及残差影响图。

plot(fit)

第一幅图用来表示因变量与自变量是否呈线性关系，图中的点是残差的分布，曲线为拟合曲线。

图7 残差拟合图

第二幅图是用来描述正态性的QQ图，如果数据呈正态分布，则在QQ图中就是一条直线，图中残差值也是呈直线分布。这就说明满足了正态性的要求。

图8 正态QQ图

图9 大小位列图

第四幅图是残差与杠杆图，提供了对单个数据集的观测。从图中可以看到哪个点偏差较远，可以用来鉴别离群点，高杠杆点和强影响点。

• 离群点表示回归模型对这个点的预测效果不好，残差值比较大，不适合模型。
• 高杠杆点表示异常的预测变量的组合

• 强影响点表示这个值对模型参数的估计产生的影响过大，可以用cook's distance来鉴别

  
  
  图10 残差影像图

2.2 abline绘图

abline是绘制出拟合曲线，他需要数据集的散点图上再进行操作，所以就必须要先绘制散点图，再绘制拟合曲线。

plot(women$height,women$weight)
abline(fit)

图11 拟合曲线图