挑战回归分析

今天家里有点突然的变化，以后人生也会有变化了。心情突然很复杂。。。五味杂陈。每次遇到重大变故我都会很呆。反应不过来的样子。。。

继续数据分析

两组数之间看关系，两种情况，一种是函数关系，另外一种呢就是相关分析。

相关分析，我们可以用散点图。直觉指导一切。函数关系呢，比较难，今天挑战的是函数关系

回归分析。

首先我先将两组数据导入一个data.frame中，画出散点图。发现确实还蛮正相关的。

cor(GMV$GMV,GMV$fusers)

[1] 0.918901

相关系数达到0.92

然后又做了一个假设性检验

 with(GMV,{cor.test(GMV,fusers)})

 

Pearson's product-moment correlation

 

data:  GMV and fusers

t = 84.276, df = 1309, p-value < 2.2e-16

alternative hypothesis: true correlation is not equal to 0

95 percent confidence interval:

 0.9100346 0.9269271

sample estimates:

     cor 

0.918901 

 

p-value 远小于0.05,不错哦，确实正相关。

 

再然后我做了一个简单的线性回归

 

fit<-lm(GMV~fusers,data=GMvr) 

> summary(fit)

 

Call:

lm(formula = GMV ~ fusers, data = GMvr)

 

Residuals:

       Min         1Q     Median         3Q        Max 

-1.278e+09 -6.822e+07 -1.189e+07  3.787e+07  1.296e+09 

 

Coefficients:

             Estimate Std. Error t value Pr(>|t|)    

(Intercept) 5.491e+07  9.126e+06   6.016 2.32e-09 ***

fusers      2.899e+03  3.634e+01  79.775  < 2e-16 ***

---

Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

 

Residual standard error: 172300000 on 1305 degrees of freedom

Multiple R-squared:  0.8298, Adjusted R-squared:  0.8297 

F-statistic:  6364 on 1 and 1305 DF,  p-value: < 2.2e-16

 with(GMvr,{plot(GMV,fusers,xlab="***",ylab="***")})

abline(fit)

 

然后图形就令我匪夷所思了

简直就没有贴合上么。。。失败了。。这些参数还没研究透是干什么的，感冒到现在还没好，一个月了，准备乖乖睡觉了。明天继续。