重回帰分析

前のページで変数選択 ができたので、実際の予測を行います。

目次

1.使用データとモデリング
2.AICによるモデル選択
3.予測

1.使用データとモデリング

set.seed(0)
N<-100
Intercept<-5
B1<-10
B2<-5
x1<-sort(rnorm(N,sd=2))
x2<-rnorm(N,sd=2)
e<-rnorm(n=N,sd=3)
y<-Intercept+B1*x1+B2*x2+e

上記 のデータは前ページの モデル選択と同じデータです。なので、同じ推定結果が出るはずです。交互作用も含めたmodel3を作ります

model3<-lm(y~x1*x2)

 

2.AICによるモデル選択

検定によるモデル選択は前のページを見てください。ここではAICによるモデル選択のみを行います。

パッ ケージMuMInをダウンロードしてから(http://mumin.r -forge.r-project.org/ )

library(MuMIn)

kekka.AIC<-dredge(model3,rank=”AIC”)
all.model <- get.models(kekka.AIC)
best.model<-all.model[1]

> best.model
$`4`

Call:
lm(formula = y ~ x1 + x2)

Coefficients:
(Intercept)           x1           x2
5.202        9.973        4.986

どのモデルが最適かが分かったので、またモデルを作りなおします。

model2<-lm(y~x1+x2)

model2 が最適なモデルになります。これで予測を行います。

3.予測

A<-predict(model2,se.fit=T,interval=”confidence”)    #推定平均の95%推定区間付き
B<-predict(model2,se.fit=T,interval=”prediction”)    #推定データの95%推定区間付き

plot(x1,y,main=”AIC最小モデルによる予測と95% 信頼区間”)
lines(x1,A$fit[,1],lwd=1)
lines(x1,A$fit[,2],col=”red”)
lines(x1,A$fit[,3],col=”red”)

lines(x1,B$fit[,2],col=”blue”)
lines(x1,B$fit[,3],col=”blue”)
legend(2.5,-20,c(“予測値”,”平均の95%信頼区間”,”データの95%予測間”),col=c(1,2,4),lwd=1)

juukaiki.yosoku

ちなみに、シミュレーションデータを作る際、さりげなくx1<-sort(rnorm(N,sd=2))と していましたが、 sort をしておかないと、とても見難いグラフになってしまいます。ちなみに sort  とは、昇順並び替え関数です。

参 考文献[1]
山田作太郎・北田修一:生物統計学入門、第7章 回帰分析

前のページへ ⇒ モデル選択理論編
次のページへ ⇒ 平滑化スプラインと加法モデル

 

コメントを残す

メールアドレスが公開されることはありません。 が付いている欄は必須項目です

このサイトはスパムを低減するために Akismet を使っています。コメントデータの処理方法の詳細はこちらをご覧ください