R 不使用lm函数计算ols系数beta

在没有函数lm的情况下，如何计算R中的OLS系数。 公式：ß=（X'X）^-1*X'y

---

X这是OLS的基本线性代数。你可能想看看

set.seed（123）
这是我的版本，包括梯度下降。这也是我的荣幸

x0为什么要这样做？到目前为止你都试了些什么？实际上是为了家庭作业。问题是我不知道X’是什么意思我不太确定让stackoverflow帮你做作业，但是X’代表X的转置。
   X <- cbind(runif(1000000), rnorm(1000000), rchisq(1000000,50))
   y <- 100 * X[,1] + 200 * X[,2] + rnorm(nrow(X), 0, 10)

set.seed(123)
X <- cbind(runif(1000000), rnorm(1000000), rchisq(1000000,50))
y <- 100 * X[,1] + 200 * X[,2] + rnorm(nrow(X), 0, 10)


# (X'X)^-1*X'y

# basic matrix algebra
solve(t(X) %*% X) %*% (t(X) %*% y)

# crossprod for numeric stability
crossprod(solve(crossprod(X)), crossprod(X,y))

# same in lm()
lm(y~0+X)


x <- cbind(1, X)

# (X'X)^-1*X'y
solve(t(x) %*% x) %*% (t(x) %*% y)
crossprod(solve(crossprod(x)), crossprod(x,y))
lm(y~X)

x0 <- c(1,1,1,1,1) # Intercept
x1 <- c(1,2,3,4,5)
x2 <- c(8,4,3,1,8)
x <- as.matrix(cbind(x0,x1,x2))
y <- as.matrix(c(3,7,5,11,14))

# (X'X)^-1 X'y
beta1 = solve(t(x)%*%x) %*% t(x)%*%y 

# R's regression command
beta2 = summary(lm(y ~ x[, 2:3]))

# Gradient decent
m <- nrow(y)
grad <- function(x, y, theta) {
  gradient <- (1/m)* (t(x) %*% ((x %*% t(theta)) - y))
  return(t(gradient))
}

# Define gradient descent update algorithm
grad.descent <- function(x, maxit){
  theta <- matrix(c(0, 0, 0), nrow=1) # Initialize the parameters

  alpha = .05 # set learning rate
  for (i in 1:maxit) {
    theta <- theta - alpha  * grad(x, y, theta)   
  }
  return(theta)
}

# Results without feature scaling
print(grad.descent(x,2000))
beta1
beta2