R-assistance中的基本回归模型

我开始深入研究R并自学基础知识，我想通过一些命令寻求帮助

我试图使用从文本文件中提取的数据集来理解以下概念：

首先，这里是文本文档的前几行：

salary      totcomp   tenure  age     sales   profits   assets  Industry
24222.39    58936.87    7     61      161315    2956    257389  2
24048.97    59219.46    0     51      144416    22071   237545  3
23172.99    56814.47    11    63      139208    4430    49271   2
23431.15    56971.3     6     60      100697    6370    92630   3
22049.87    55596.23    18    63      100469    9296    355935  3

创建相关表

salary<-read.table(file="C:/Users/sean/Desktop/ceosalary.txt", header = TRUE,sep="\t")
attach(salary)
cor(salary[-c(1,4,6)])

---

使用这些命令是否正确？

您的模型不是多元回归模型。这是一个简单的线性回归。lm函数的公式也可以是y~x形式，而不是y-x形式。这里y是因变量，x是自变量

在R中，您应该这样编码：

fit <-  lm(profits~Industry, data=salary)
summary(fit)

---

您希望适合哪种型号？你是想根据利润来预测薪水吗？然后您需要

lm（薪水~利润）

而不是

lm（薪水~利润）

——请注意波浪号“~”而不是减号。前者用于指定R中的公式。此外，我建议避免使用

attach（）

。它真的会很快弄乱你的搜索路径，而且大多数函数都有一个

data=

参数，所以它不是必需的。例如：

lm（工资~利润，数据=工资）

还可以打印拟合的再增长模型的方差分析表，例如使用

fit No，我试图根据行业、销售、年龄预测利润。利润是自变量。听起来像是你有独立和相依性。如果你试图根据行业、销售额和年龄预测利润，你不认为利润取决于其他变量吗？然后模型将是
fit
anova(lm)

fit <-  lm(profits~Industry, data=salary)
summary(fit)

fit <- lm(profits~Industry+tenure+age, data=salary)
summary(fit)

anova(fit)