24高通量测序-用R线性回归

用R线性回归

创建数据集

mouse.data <- data.frame(weight=c(0.9, 1.8, 2.4, 3.5, 3.9, 4.4, 5.1, 5.6, 6.3),size =c(1.4, 2.6, 1.0, 3.7, 5.5, 3.2, 3.0, 4.9, 6.3))
> mouse.data
  weight size
1    0.9  1.4
2    1.8  2.6
3    2.4  1.0
4    3.5  3.7
5    3.9  5.5
6    4.4  3.2
7    5.1  3.0
8    5.6  4.9
9    6.3  6.3
plot(mouse.data$weight,mouse.data$size)

Rplot06.png

mouse.regression <- lm(size~weight, data=mouse.data)
> summary(mouse.regression)

#第一行只打印出对lm()函数的原始调用。
Call:
lm(formula = size ~ weight, data = mouse.data)

#这是残差的总结(从数据到拟合线的距离)。理想情况下，它们应该在线周围对称分布。
Residuals:
    Min      1Q  Median      3Q     Max 
-1.5482 -0.8037  0.1186  0.6186  1.8852 

#这一节告诉我们关于拟合线的最小二乘估计。第一列截距和斜率，第二列标准误差，第三列t值，第四列是估计参数的p值。一般来说，我们通常对截距不感兴趣，所以p值是多少无关紧要。但是，我们希望“weight”的p值< 0.05。也就是说，我们希望它具有统计学意义。一个显著的weight的p值意味着它将给我们一个可靠的老鼠大小的预测。
Coefficients:
            Estimate Std. Error t value Pr(>|t|)  
(Intercept)   0.5813     0.9647   0.603   0.5658  
weight        0.7778     0.2334   3.332   0.0126 *
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

#拟合曲线有7个自由度，残差的标准差为1.19
Residual standard error: 1.19 on 7 degrees of freedom
# R平方， 校正后的R平方
Multiple R-squared:  0.6133,    Adjusted R-squared:  0.558 
#F值，以及p值
F-statistic:  11.1 on 1 and 7 DF,  p-value: 0.01256
#最后，添加拟合曲线
abline(mouse.regression, col="blue")

Rplot07.png