如何在R中绘制线性回归？

我想在R中做下面的线性回归

year<-rep(2008:2010,each=4)
quarter<-rep(1:4,3)
cpi<-c(162.2,164.6,166.5,166.0,166.4,167.0,168.6,169.5,170.0,172.0,173.3,174.0)
plot(cpi,xaxt="n",ylab="CPI",xlab="")
axis(1,labels=paste(year,quarter,sep="C"),at=1:12,las=3)
fit<-lm(cpi~year+quarter)

问题是我的公式的形式是：

y=a+b*year+c*quarter

而不是像这样简单的事情：

y=a+b*year

那么我怎样才能画出线性回归的线呢

---

是否可以用abline来划清界线？

cpi您是否正在寻找
预测功能

cpi<-c(162.2,164.6,166.5,166.0,166.4,167.0,168.6,169.5,170.0,172.0,173.3,174.0)
cpits <- ts(cpi, start=2008, frequency=4)
plot(decompose(cpits))

例如：使用
行（预测（拟合））
将给出：


您还可以使用它来预测与计算系数一致的未来数据。例如

# plot the existing data with space for the predicted line
plot(c(cpi,rep(NA,12)),xaxt="n",ylab="CPI",xlab="",ylim=c(162,190))

# plot the future predictions as a line using the next 3 year periods
lines(13:24,
      predict(
        fit,
        newdata=data.frame(year=rep(c(2011,2012,2013),each=4),quarter=rep(1:4,3))
             )
     )

year<-rep(2008:2013,each=4)
axis(1,labels=paste(year,quarter,sep="C"),at=1:24,las=3)

#用预测线的空间绘制现有数据
图（c（cpi，rep（NA，12）），xaxt=“n”，ylab=“cpi”，xlab=”，ylim=c（162190））
#使用未来3年的周期，将未来预测绘制为一条直线
台词（13:24，
预测(
适合
newdata=data.frame（年份=rep（c（201120122013），每个=4），季度=rep（1:4,3））
)
)
年骗子。这些都是合理的解决方案，但它们不能满足你的要求。现在，您所要求的稍微酷一点，完全不切实际，但可以使用
rgl
完成

f <- function(x, y, coefs){
  z <- coefs[1] + coefs[2] * x + coefs[3] * y
  z
}

x <- seq(from=min(year), to=max(year), length.out=100)
y <- seq(from=min(quarter), to=max(quarter), length.out=100)

z <- outer(x, y, f, coefs=coef(fit))


这里做得不公平，但它很漂亮，你可以移动它

该死的，让我们添加你的原始点

points3d(year, quarter, cpi, size=5, col="red")

错误在于数据的格式化方式。这是另一个选择：

year<-seq(from=2008,to=2010.75,by=.25)
cpi<-c(162.2,164.6,166.5,166.0,166.4,167.0,168.6,169.5,170.0,172.0,173.3,174.0)
df <- data.frame(year,cpi)
plot(df)+abline(lm(df$cpi~df$year))

year教学记忆软件包中的
Predict.Plot
和
TkPredict
功能将根据其他预测值绘制其中一个预测值和响应变量之间的关系
Predict.Plot
使查看不同条件下的多行变得相当简单，而
TkPredict
允许您以交互方式更改条件值（并将生成
Predict.Plot
代码以重新创建当前绘图）

这些函数一般用于多元预测的回归模型，但不如分解时间序列好。
对于多元回归系数，回归不代表直线。也许你想要stats:：decompose。就可读性而言，我从来没有真正喜欢过3D图形，但在明确回答问题时使用+1。@最近的邮件如果你实际使用rgl设备并移动图形，它们的可读性会更好。卢克·蒂尔尼写过，但我没试过。真是个骗子。着手解释一下那架飞机。@DWin我从来没说过它是实用的。我这样做是为了好玩。不过，严肃地说，你可能会发现，在两个预测因子都很大的情况下，存在很大的残差。这绝对不是一个出版物图表，但它有助于帮助学生概念化更高维度的回归发生了什么，以及为什么在常规xy散点图上绘制多元线性回归的结果变得基本不可能。这忽略了四分之一，这不是问题的答案。谢谢@最近的邮件，但你能告诉我为什么它在直线（a=0，b=1）上不起作用吗？预测没有直线。是的，你是对的@DWin，我认识到我的错误，这是一个多项式模型，所以没有直线，我的错这是“正确”的答案。认为年度和季度是“独立”的观点是错误的（有人甚至可能会说是荒谬的）。@Dwin-你能再解释一下吗？难道你不能假设温度总体呈线性上升，但每个季节的温度都在波动吗？这是否会使我基于
预测的答案在统计上无效？也许我没有领会你的意思。你说得对@thelatemail，这个例子取自一本书，该书考虑了消费者价格指数的年度波动，以及每年内部各季度的波动
points3d(year, quarter, cpi, size=5, col="red")

year<-seq(from=2008,to=2010.75,by=.25)
cpi<-c(162.2,164.6,166.5,166.0,166.4,167.0,168.6,169.5,170.0,172.0,173.3,174.0)
df <- data.frame(year,cpi)
plot(df)+abline(lm(df$cpi~df$year))