เลือก(xi)มีให้อย่างน้อยสองรายการแตกต่างกัน ตั้งค่าการสกัดกั้นβ0และความชันβ1และกำหนด
y0i=β0+β1xผม.
พอดีนี้สมบูรณ์แบบ คุณสามารถแก้ไขy0เป็นy=y0+εโดยการเพิ่มเวกเตอร์ข้อผิดพลาดใด ๆε=(εi)ให้กับมันหากเป็นมุมฉากทั้งกับเวกเตอร์x=(xi)และเวกเตอร์คงที่(1,1,…,1) ) เป็นวิธีที่ง่ายที่จะได้รับข้อผิดพลาดดังกล่าวคือการเลือกใด ๆเวกเตอร์eและให้εจะเหลือเมื่อถอยeกับxxในโค้ดด้านล่างeถูกสร้างขึ้นเป็นชุดของค่าปกติแบบสุ่มอิสระที่มีค่าเฉลี่ย0และค่าเบี่ยงเบนมาตรฐานทั่วไป
นอกจากนี้คุณยังสามารถเลือกจำนวนการกระจายล่วงหน้าได้ด้วยการกำหนดว่าR2ควรเป็นอะไร การให้τ2=var(yi)=β21var(xi) , ขาย rescale เหล่านั้นให้มีความแปรปรวนของ
σ2=τ2(1/R2−1).
วิธีนี้เป็นวิธีทั่วไป:ตัวอย่างที่เป็นไปได้ทั้งหมด (สำหรับชุดxi ) สามารถสร้างได้ด้วยวิธีนี้
ตัวอย่าง
สี่ของ Anscombe
เราสามารถสร้างQuartet ของ Anscombeสี่ชุดข้อมูล bivariate ที่แตกต่างกันสี่ชุดที่มีสถิติเชิงพรรณนาเดียวกัน (ผ่านลำดับที่สอง) ได้อย่างง่ายดาย
รหัสนี้เรียบง่ายและยืดหยุ่นอย่างน่าทึ่ง
set.seed(17)
rho <- 0.816 # Common correlation coefficient
x.0 <- 4:14
peak <- 10
n <- length(x.0)
# -- Describe a collection of datasets.
x <- list(x.0, x.0, x.0, c(rep(8, n-1), 19)) # x-values
e <- list(rnorm(n), -(x.0-peak)^2, 1:n==peak, rnorm(n)) # residual patterns
f <- function(x) 3 + x/2 # Common regression line
par(mfrow=c(2,2))
xlim <- range(as.vector(x))
ylim <- f(xlim + c(-2,2))
s <- sapply(1:4, function(i) {
# -- Create data.
y <- f(x[[i]]) # Model values
sigma <- sqrt(var(y) * (1 / rho^2 - 1)) # Conditional S.D.
y <- y + sigma * scale(residuals(lm(e[[i]] ~ x[[i]]))) # Observed values
# -- Plot them and their OLS fit.
plot(x[[i]], y, xlim=xlim, ylim=ylim, pch=16, col="Orange", xlab="x")
abline(lm(y ~ x[[i]]), col="Blue")
# -- Return some regression statistics.
c(mean(x[[i]]), var(x[[i]]), mean(y), var(y), cor(x[[i]], y), coef(lm(y ~ x[[i]])))
})
# -- Tabulate the regression statistics from all the datasets.
rownames(s) <- c("Mean x", "Var x", "Mean y", "Var y", "Cor(x,y)", "Intercept", "Slope")
t(s)
เอาต์พุตให้สถิติเชิงพรรณนาอันดับที่สองสำหรับข้อมูล(x,y)สำหรับแต่ละชุดข้อมูล ทั้งสี่บรรทัดเหมือนกัน คุณสามารถสร้างตัวอย่างได้ง่ายขึ้นโดยการแก้ไขx
(พิกัด x) และe
(รูปแบบข้อผิดพลาด) เมื่อเริ่มแรก
จำลอง
R
yβ=(β0,β1)R20≤R2≤1x
simulate <- function(x, beta, r.2) {
sigma <- sqrt(var(x) * beta[2]^2 * (1/r.2 - 1))
e <- residuals(lm(rnorm(length(x)) ~ x))
return (y.0 <- beta[1] + beta[2]*x + sigma * scale(e))
}
(การย้ายสิ่งนี้ไปยัง Excel นั้นไม่ใช่เรื่องยาก แต่มันก็เจ็บปวดเล็กน้อย)
(x,y)60 xβ=(1,−1/2)1−1/2R2=0.5
n <- 60
beta <- c(1,-1/2)
r.2 <- 0.5 # Between 0 and 1
set.seed(17)
x <- rnorm(n)
par(mfrow=c(1,4))
invisible(replicate(4, {
y <- simulate(x, beta, r.2)
fit <- lm(y ~ x)
plot(x, y)
abline(fit, lwd=2, col="Red")
}))
summary(fit)
R2ผม.