在R中保持其他变量不变后,如何评估线性模型中两个变量之间的关系?
我试图通过设置两个变量的常数来评估线性模型中两个变量之间的关系。我想看看当回归模型的另外两个变量是常数时,因变量如何随自变量的变化而变化。这里有一个例子在R中保持其他变量不变后,如何评估线性模型中两个变量之间的关系?,r,regression,prediction,R,Regression,Prediction,我试图通过设置两个变量的常数来评估线性模型中两个变量之间的关系。我想看看当回归模型的另外两个变量是常数时,因变量如何随自变量的变化而变化。这里有一个例子 df <- airquality mod <- lm(Wind~Ozone+Temp + Month, data = df) new <- data.frame(Ozone = df$Ozone,Temp = mean(df$Temp), Month = 5) PD <-predict(mod, newdata = ne
df <- airquality
mod <- lm(Wind~Ozone+Temp + Month, data = df)
new <- data.frame(Ozone = df$Ozone,Temp = mean(df$Temp), Month = 5)
PD <-predict(mod, newdata = new)
df我不清楚你想完成什么。通常,线性多元回归模型已经允许对因变量的期望值进行其他同等解释。我想看看当温度是温度的平均值时,风和臭氧之间的关系,月份是5,这就是predict
函数在您使用new
数据框进行预测时提供的内容。请记住,结果仍然取决于模型。如果其他因素也影响臭氧水平(例如,一周中的某一天,日照量),但不包括在模型中,那么模型预测不一定代表实际情况。如果我使用此代码,当温度为平均温度,月份为5时,它将评估风和臭氧之间的关系<代码>绘图(df$Temp,PD)
我不清楚您想要实现什么。通常,线性多元回归模型已经允许对因变量的期望值进行其他同等解释。我想看看当温度是温度的平均值时,风和臭氧之间的关系,月份是5,这就是predict
函数在您使用new
数据框进行预测时提供的内容。请记住,结果仍然取决于模型。如果其他因素也影响臭氧水平(例如,一周中的某一天,日照量),但不包括在模型中,那么模型预测不一定代表实际情况。如果我使用此代码,当温度为平均温度,月份为5时,它将评估风和臭氧之间的关系<代码>绘图(df$Temp,PD)