- ベストアンサー
統計ソフトRの回帰分析について
フリー統計ソフトRの回帰分析に関する質問です。 統計の研究でRというソフトを最近使い始めたのですが、なかなかうまくいきません。 特に、説明変数に期間を考慮した回帰分析のやり方です。 具体的には 二つの変数XとYがあって ｔ期におけるYの値を過去6期間(k=1,2,3,...,6)のXの値で回帰させたいのですが （式） 6 Yt=A＋ΣBkXt-k k=1 どのような式をlm()に入れれば分析できるでしょうか？
- みんなの回答 （1）
- 専門家の回答
質問者が選んだベストアンサー
関連するQ&A
- 統計解析ソフトRで単回帰分析(繰り返しあり)とその95%信頼限界を求めたい
統計初心者です。 統計解析ソフトRで単回帰分析をしようと思っています。単回帰分析は繰り返しがある場合です。さらに回帰式の95%信頼限界を求めたいと考えています。昨日、書店を回って成書を見たのですが、上記の説明がされているものを見つけることができませんでした。 テキストファイルからデータの読み込みはできましたし、散布図を作成することもできました。 しかし、n=3のデータをそのままｌｍ（従属変数~独立変数)として計算させると、Coefficientsの値(切片、傾き)が全く異なる値となります。 そこで １．繰り返しがある場合、普通にｌｍだけでは解析できないのでしょうか。 また、95%信頼限界については、どのように取り組めばいいのか、検討がつきません。 ご教示の程、よろしくお願いします。 ２．さらに、95%信頼限界の求め方を教えていただけないでしょうか。 よろしくお願いします。
- ベストアンサー
- 数学・算数
- 統計ソフトRの重回帰分析について。
自身の前後で地価の説明変数の影響がどう変化したかなという興味の元統計を勉強し始めました、最近。それでRにてlm()で重回帰分析してsummary()をしようとしています。 その途中でけっつまづいたので助けてください！ aが被説明変数でb1,b2が説明変数として > a <- c(148, 160, 159, 153, 151, 140, 158, 137, 149, 160) > b1 <- c(41, 49, 45, 43, 42, 29, 49, 31, 47, 47) > b2 <- c(41, 159, 153, 151, 140, 31, 47, 47, 47, 47) > y<-data.frame(a,b1,b2) >y.lm<-lm(a~.,data=y) と打つと 以下にエラー lm.fit(x, y, offset = offset, singular.ok = singular.ok, ...) : 因子保管モードを変更するのは不正です 追加情報: 警告メッセージ： In model.response(mf, "numeric") : 因子応答を持つ type="numeric" の使用は無視されるでしょう とかえされるんですがなにがいけないんですかね ？ 助けてください！ それ以外にもRで壁にあたった時自分で対処できるようになれそうなサイトorぐぐり方も指南していただけると今後が幸いです。
- ベストアンサー
- フリーウェア・フリーソフト
- 統計ソフトRの重回帰分析で困ってます。
自身の前後で地価の説明変数の影響がどう変化したかなという興味の元統計を勉強し始めました、最近。それでRにてlm()で重回帰分析してsummary()をしようとしています。 その途中でけっつまづいたので助けてください！ aが被説明変数でb1,b2が説明変数として yy<-read.csv("tes.csv") a<-yy[,1] b1<-yy[,2] b2<-yy[,3] b3<-yy[,4] y<-data.frame(a,b1,b2,b3) y.lm<-lm(a~.,data=y) 『summary(y.lm)最終的にはこれをやりたいのだがlm()のとこで』 以下にエラー lm.fit(x, y, offset = offset, singular.ok = singular.ok, ...) : 因子保管モードを変更するのは不正です 追加情報: 警告メッセージ： In model.response(mf, "numeric") : 因子応答を持つ type="numeric" の使用は無視されるでしょう とかえされるんですがなにがいけないんですかね ？ a <- c(148, 160, 159, 153, 151, 140, 158, 137, 149, 160) b1 <- c(41, 49, 45, 43, 42, 29, 49, 31, 47, 47) b2 <- c(41, 159, 153, 151, 140, 31, 47, 47, 47, 47) b3 <- c(41, 159, 153, 151, 140, 31, 47, 47, 47, 47) y.lm<-lm(a~.,data=y) summary(y.lm) これはいけるんですがね。ちなみにcsvのなかは後者のような文字列があるのですが... 助けてください！ それ以外にもRで壁にあたった時自分で対処できるようになれそうなサイトorぐぐり方も指南していただけると今後が幸いです。
- ベストアンサー
- 経済学・経営学
- 統計学 重回帰分析についての問題
問題 目的関数をy、説明変数を他の二つとして重回帰分析を行え。 この問題をRで実行し、※は自分がつけた補足です。 以下は間違ったことを言っていないか見てほしいです。 よろしくお願いします。 > condo<- read.table("clipboard",header=TRUE) ※Excel上で範囲指定したデータを読み込む > condo x1 x2 y 1 12 4 22 2 12 3 24 3 11 3 21 4 7 1 19 5 8 3 19 6 9 2 22 7 14 5 24 8 11 4 23 > attach(condo) > lm1<- lm(y~.,data =condo) ※ｙを目的変数、他のすべての変数を説明変数として線形重回帰分析を実行 > summary(lm1) ※実行結果の要約 Call: lm(formula = y ~ ., data = condo) Residuals: ※残差の８数要約 1 2 3 4 5 6 7 8 -0.7477 0.6682 -1.3259 -0.4708 -0.3084 1.1016 -0.1752 1.2582 Coefficients: ※係数の最小二乗推定値と対応ｔ値など Estimate Std. Error t value Pr(>|t|) (Intercept) 13.0140 2.1917 5.938 0.00193 ** ※β_0 x1 1.0058 0.3465 2.903 0.03369 * ※β_1 x2 -0.5841 0.6478 -0.902 0.40854 ※β_2 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 1.087 on 5 degrees of freedom Multiple R-squared: 0.7852, Adjusted R-squared: 0.6992 ※寄与率、自由度調整済み寄与率 F-statistic: 9.137 on 2 and 5 DF, p-value: 0.02139 最後の行は、母集団において、得られた回帰式 y= β_0+ β_1 x_1+ β_2 x_2+ ε_i が全くあてにならないという仮説(H0: β_1= β_2= 0 )を分散分析で検証している。検定統計量 F=S_R・(n-p-1)/ S_e・p ( n：標本数、p：説明変数の数、S_R：回帰による平方和、S_e：残差平方和 ) が自由度(p,n-p-1)のF分布に従うことを用いている。上記では、p値が0.02139と極めて小さいので、有意水準0.05で仮説H0は棄却され、母集団においてもこの式はあてになるという結論に至る。 ・・回答よろしくお願いします。
- ベストアンサー
- 数学・算数
- 単回帰分析と重回帰分析の結果の違い
論文を読んでいて疑問に思うことがありました．よろしくお願いします． 私は，回帰分析とは変数Ｙを、ｐ個の変数Ｘ１，Ｘ２ ，… Ｘｐにより説明したり予測するための統計的手法であり，ｐ=1のときは単回帰分析，ｐ>1のときは重回帰分析と呼ぶ，と解釈しています． 今，ある施設のサービス改善についての調査論文を読んでおります．そこではアンケート調査でその施設のサービスの総合評価Yと，８個の各サービス毎の評価(x1～x８)を調べ，総合評価Yを従属変数， x1～x８を説明変数として重回帰分析にかけます．そして出た相関係数から施設の総合評価に対する各サービスの重要度を求め，改善につなげようとしています． 結果，重要度は ｘ１＞ｘ２＞ｘ６＞ｘ３＞ｘ７＞ｘ８＞ｘ４＞ｘ５ という結果になりました．ここまではわかるんです． ですが次に総合評価Yを従属変数，x１を説明変数として単回帰分析，また総合評価Yを従属変数，x２を説明変数として単回帰分析，また総合評価Yを従属変数，x３を説明変数として単回帰分析・・・というようにこの操作をｘ８まで続け，出た相関係数を比較しています．結果は ｘ１＞ｘ２＞ｘ４＞ｘ８＞ｘ３＞ｘ５＞ｘ７=ｘ６ となっており，重回帰分析の結果と照らしあわせると最初のｘ１とｘ２は合致しているものの，あとはバラバラです．ｘ６にいたっては最後にきています．なぜでしょうか．論文は「どのサービスも総合満足度に重要な影響を与えており，特にｘ１，ｘ２，ｘ３，ｘ４を改善するのがよい」 と締めくくっています． 質問は3点です． (1)なぜ重回帰分析の結果と単回帰分析の結果が異なるのか (2)どのサービスも総合満足度に重要な影響があるとして，それは重回帰分析の結果だけで言えるのではないか（重回帰でも相関係数は出ているし，単回帰分析をする意味はあるのか） 稚文ですみません． 当方あまりオツムがよろしくないのでできるだけわかりやすくよろしくお願いします．
- 締切済み
- その他（学問・教育）
- 回帰分析で以下のようになる原因は何でしょうか？
回帰分析で以下のようになる原因は何でしょうか？ 式１ logit(Y) = -3.23 + 2.45 * X1 式２ logit(Y) = -3.23 - 0.53 * X1 + 1.34 * X2 ロジスティック回帰分析によりYをX1，X2によって説明する式を推定しました． 説明変数にX1のみを用いた場合，式１ように，X1の上昇によってYの値も大きくなるというモデルになりました． しかし，説明変数にX2も加えた場合，式２のようにX1の上昇によってYが小さくなるというモデルになってしまいました． この解釈は正しいのでしょうか？ もし正しいとすれば，式１と式２でX1の効果が逆に鳴っている原因は何でしょうか？ ご教示お願いいたします． ちなみに問題を簡単にするため説明変数の数や係数の値は架空のものです．
- ベストアンサー
- 数学・算数
- 重回帰分析のやり方について教えて下さい。ど素人的な質問で恐縮なのですが
重回帰分析のやり方について教えて下さい。ど素人的な質問で恐縮なのですが、重回帰分析は、目的変数(Y)を、説明変数 X1, X2, X3, X4.....X20などに影響されるか否かを検討しますよね。ここで、私がしようとしている統計学的処理と類似した研究の論文などを読んだりとかしていると、YとX1, YとX2, YとX3, YとX4.....YとX20の単回帰分析を各々行い、ここで有意な相関があったものを取り上げて（例えば、X1, X4, X7, X12, X18, X20の６個など）、この６個について、重回帰分析を施行して、ここで、X4, X18は有意でないといった結果が出たなら、Y=aX1+bX7+cX12+dX20という重回帰式を作成し、標準偏回帰係数を算出し、どの説明係数が最も目的変数に影響を与えているのか解析しているのですが、これが正しい方法（進め方）なのでしょうか？ いきなり、YとX1～X20を重回帰分析したのは、どうでしょうか？これはダメなのでしょうか？単回帰分析では相関が有意にでない（他の説明変数の影響のために）けれども、重回帰分析では有意な結果となるような説明変数が無視されるような結果になるように思うのですが、どうでしょうか？ 非常に低レベルな話しで申し訳ないのですが、お教え下さい。
- ベストアンサー
- 心理学・社会学
- 重回帰分析？
二つの変数があり、各々従属変数に対して単回帰分析を行うと決定係数が0.5と0.4ぐらいの感じになります。この二つの変数をくっつけてもう少し精度を上げたいのですが、一方は線形なんですが、もう片方が非線形(指数関数)なのです。 たしか、重回帰分析は線形どうしでしかくっつけることができなかったような気がするのですが、どのようにしたらできるでしょうか？ 混合モデルとかを使ったらよいのでしょうか??? 理論的に考えると Y=aX1 + bexp(cX2) かY=aX1 + bX1exp(cX2)と思うのです Yが従属変数X1,X2が変数、a,b,cがそれぞれ係数です。 使用できるソフトはSPSS,SAS,mintab,S-plus,R,excelです。Rでのが使い慣れているのでRでできるとよいのですが、できるならどのソフトでもかまいません。
- ベストアンサー
- 数学・算数
- 統計学 線形重回帰分析についての問題
問題 高校生22名の物理の学力yと、物理の興味x_1、数学の学力x_2、知能偏差値x_3との関係を調べたデータ(100点満点で点数化)(22record.xls)に関して、yのx_1,x_2,x_3に対する線形重回帰分析を行え。 以下は、この問題について、R上で実行した結果と、※は自分が補足した部分です。これについて、間違ったことを言っていないか見てほしいです。 よろしくお願いします。 > record<- read.table("clipboard",header=TRUE) ※Excel上で範囲指定したデータを読み込む > record y x_1 x_2 x_3 1 43 35 50 55 2 62 44 50 70 3 15 20 10 32 4 23 32 15 45 5 84 70 88 80 6 90 76 90 92 7 67 58 82 54 8 45 37 52 45 9 75 85 92 60 10 13 10 15 25 11 56 52 58 73 12 86 62 83 89 13 24 30 24 60 14 18 22 20 32 15 52 60 46 42 16 80 50 72 86 17 70 92 63 76 18 32 38 25 17 19 37 45 30 25 20 50 46 55 73 21 60 63 59 73 22 72 43 70 72 > lm1<- lm(y~.,data=record) ※ｙを目的関数、他のすべての変数を説明変数として線形重回帰分析を実行 > summary(lm1) ※実行結果の要約 Call: lm(formula = y ~ ., data = record) Residuals: ※残差の5数要約 Min 1Q Median 3Q Max -8.871 -4.041 -0.737 5.087 8.921 Coefficients: ※係数の最小二乗推定値と対応ｔ値など Estimate Std. Error t value Pr(>|t|) (Intercept) -1.95005 3.95936 -0.493 0.6283 ※β_0 x_1 0.17629 0.10686 1.650 0.1163 ※β_1 x_2 0.61691 0.10483 5.885 1.43e-05 *** ※β_2 x_3 0.23466 0.09315 2.519 0.0214 * ※β_3 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 5.976 on 18 degrees of freedom Multiple R-squared: 0.9485, Adjusted R-squared: 0.94 ※寄与率、自由度調整済み寄与率 F-statistic: 110.6 on 3 and 18 DF, p-value: 8.711e-12 ※回帰式に関する分散分析 > slm<- step(lm1) ※変数選択実行 Start: AIC=82.25 ※AIC（Akaike's Information Criterion）;赤池情報量規準 y ~ x_1 + x_2 + x_3 Df Sum of Sq RSS AIC <none> 642.83 82.25 - x_1 1 97.21 740.04 83.34 ※AIC最小 - x_3 1 226.66 869.49 86.89 - x_2 1 1236.70 1879.53 103.85 上記では、AIC法による変数選択を行っている。この方法では、AICの値が小さいほど良いモデルとされる。 独立正規誤差を仮定する場合： AIC＝2p+n/2+n/2log(2πσ^2) (p:説明変数の数、n:標本数、σ:誤差分散の不偏推定量) ・・回答よろしくお願いします。
- ベストアンサー
- 数学・算数
- 回帰分析が分かりません。
合計特殊出生率と一人あたりの所得の関係について埼玉県を市町村別に回帰分析を行い、その結果を都道府県を単位とした分析の結果と比較して考察する問題なのですが、教科書を見ながらExcelの散布図で一人あたりの所得を従属変数、合計特殊出生率を独立変数として回帰分析を行う所まではできたのですが、結果として何が分かってどのようなことが考察できるのかが分かりません。教えてください。 埼玉県がy=396671x+2E+06,Rの2乗=0.0379, 都道府県別がy=-1E+06x+5E+06,Rの2乗=0.1915となりました。 Excel操作が苦手で回帰分析が全く理解できていない状態です。
- ベストアンサー
- オフィス系ソフト
