情節與互動

我需要建立以下公式進行線性迴歸的曲線的線性迴歸的，但我不明白這是正確的方式做到這一點在R：情節與互動

lm.velocity_vs_Velocity_response = lm(scrd$Velocity~scrd$Velocity_response*scrd$Subject)

凡scrd是我的數據集，可以在這裏下載：https://dl.dropbox.com/u/3288659/Velocity_vs_Velocity.csv

數據集，對應於一個實驗，包含2個變量（速度和Velocity_response），我想知道兩者之間是否存在線性相關。假設第一個是在4個地形條件下驅動的汽車的速度（雪，木頭，礫石和一種被稱爲「無聲」的材料），第二個是導體的感知速度。在實驗中，10個參與者重複兩次的4個條件，在實驗結束時，他們必須評估他們在條件下駕駛的感知速度。在視覺模擬刻度上進行評估，其中0 =非常緩慢，10 =非常快。因此我在迴歸中有80分（10個參與者* 2個試驗* 4的速度估計）。然而在數據集中，我決定平均2次試驗的性能。

我用來使迴歸公式的輸出，

summary(lm.velocity_vs_Velocity_response)

是

Residual standard error: 0.08377 on 20 degrees of freedom 
Multiple R-squared: 0.91, Adjusted R-squared: 0.8245 
F-statistic: 10.64 on 19 and 20 DF, p-value: 1.085e-06

從中我的結論是兩個變量（R^2之間的強相關性= 0.91和p值< 0.001）

現在，我想看看線擬合這些數據的線性迴歸。它是如何在R中完成的？哪一個是正確的公式？任何人都可以提供一個R代碼的例子嗎？

問題是，使用情節我得到一個點的混亂，我無法看到一個線性的趨勢。

在這裏，我將數據集的第一行

Subject  Material Velocity Velocity_response 
Subject1 no_sound 1.41  7.8 
Subject1 snow  1.255  4 
Subject1 gravel  1.32  5.3 
Subject1 wood  1.335  5.4 
Subject2 no_sound 1.435  10 
Subject2 snow  1.265  1.7 
Subject2 gravel  1.3   8.5 
Subject2 wood  1.355  5.3

來源

2012-08-29 L_T

另外，它看起來像你有重複的措施。如果是這樣，你根本不應該使用lm。你應該使用混合模型。 –

lm有一個與它相關的plot（）。你可以使用plot（lm.velocity_vs.Velocity_response）。另外，當然velocity_response應該在模型的左邊，速度在右邊。說速度取決於響應是沒有意義的。您可能需要序數邏輯迴歸。 –

大家好，謝謝你的回答。要回答彼得弗洛姆，當然我有重複措施。那麼使用lm是正確還是錯誤？我不是R的專家，也不是靜態的;（如果可能的話，我需要幫助混合模型的代碼，如果使用lm是錯誤的，我不知道什麼是序數邏輯迴歸，也不是hpw來執行它... 顯然Greg Snow同意使用lm，我很困惑，有人可以澄清這個問題嗎？非常感謝 –

如果您運行LM喜歡你的生活會容易得多：

lm.velocity_vs_Velocity_response <- lm(Velocity~Velocity_response*Subject, data=scrd)

然後去探索的關係，並在互動外觀TeachingDemos包中的Predict.Plot和TkPredict函數。

來源

2012-08-29 15:59:52

這當然是真的，@Greg。此外，我會建議一個短一點的型號名稱，但這可能是個人偏好。 –

感謝sintax的建議。請讓我知道關於上述評論 –

@PeterFlom和Luca，我也會建議一個較短的對象名稱，但是我傾向於在另一端錯誤得多，並且過度使用像'fit'和'tmp'這樣的名字，以上是肯定的更具描述性。使用混合模式也是一個好主意（我沒有仔細閱讀足夠的重複措施）。你可以使用lm重複測量（但你需要在你的模型中使用更多的術語），但是混合效果方法是首選的（但對我提到的函數不起作用）。 –

回答

相關問題