R 講義(7) 江俊佑製

簡單線性回歸分析(上)

1、 相關分析
假設我們想要了解 X 和 Y 之間到底有沒有關係存在，方法如下：

 散佈圖

指令： plot( ) or matplot( )

 相關係數

指令： cor(x, y)

 檢定 ρ = 0

指令： cor.test(x, y, conf.level = 0.95)

EX1: 某研究單位想要了解身高與體重之間的關係，所以隨機從年紀均為 18 歲
的女生中抽出 14 位，資料如下：

身高(公分) 體重(公斤) 身高(公分)) 體重(公斤)

165 48 166 51
158 43 168 52
153 43 170 55
161 50 173 55
176 61 165 48
158 50 152 43
158 48 155 46

判別此筆資料中的身高與體重是否有關係。

>
height=c(165,158,153,161,176,158,158,166,168,170,173,165,15
2,155)
> weight=c(48,43,43,50,61,50,48,51,51,55,55,48,43,46)
> matplot(height,weight,col="orange3",pch=16,cex=2)
> #------------- cor( ) -----------------

3
 R 講義(7) 江俊佑製

> cor(height,weight)
[1] 0.9025936
> #------------- cor.test( ) -----------------
> cor.test(height, weight, conf.level = 0.95)

Pearson's product-moment correlation

data: height and weight

t = 7.263, df = 12, p-value = 9.968e-06
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
0.7138983 0.9690820
sample estimates:
cor
0.9025936

2、 簡單線性迴歸
單線性迴歸(simple linear regression)是由一個自變數和一個應變數所
構成，其統計模型定義為：
Yi = β 0 + β1 X i + ε i i = 1,..., n
其中， X i 為自變數， Yi 為應變數， εi 為獨立的隨機誤差項，並且滿足
E (ε i ) = 0 和 Var (ε i ) = σ 2 的常態分配。
回歸分析的指令為：

summary(lm(formula))

其中，formula 為統計模型，也就是說，在簡單線性迴歸的情況下，如果我們
的統計模型為 Yi = β0 + β1 X i + ε i ，則在 R 裡的寫法為 Y~X。

3
 R 講義(7) 江俊佑製

迴歸分析中的 ANOVA 表的指令為：

anova(lm(formula))

其中，formula 為統計模型，也就是說，在簡單線性迴歸的情況下，如果我們
的統計模型為 Yi = β0 + β1 X i + ε i ，則在 R 裡的寫法為 Y~X。

β0 和 β1 的 100(1- α )%信賴區間指令為

confint(lm(formula, level = 0.95)

其中，formula 為統計模型，也就是說，在簡單線性迴歸的情況下，如果我們
的統計模型為 Yi = β0 + β1 X i + ε i ，則在 R 裡的寫法為 Y~X，而 level 表示信賴
水準，內設 0.95。

EX2: 承 EX1，假設身高為自變數，體重為應變數，解釋上述指令所跑出來的
報表。

>
height=c(165,158,153,161,176,158,158,166,168,170,173,165,15
2,155)
> weight=c(48,43,43,50,61,50,48,51,51,55,55,48,43,46)
> summary(lm(weight~height))

Call:
lm(formula = weight ~ height)

Residuals:
Min 1Q Median 3Q Max
-3.49565 -1.49466 -0.07391 1.47095 3.50435

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -51.80158 13.95137 -3.713 0.00296 **
height 0.62213 0.08566 7.263 9.97e-06 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

3
 R 講義(7) 江俊佑製

Residual standard error: 2.303 on 12 degrees of freedom

Multiple R-squared: 0.8147, Adjusted R-squared: 0.7992
F-statistic: 52.75 on 1 and 12 DF , p-value: 9.968e-06
> #------------- anova -----------------------
> anova(lm(weight~height))
Analysis of Variance Table

Response: weight
Df Sum Sq Mean Sq F value Pr(>F)
height 1 279.783 279.783 52.751 9.968e-06 ***
Residuals 12 63.646 5.304
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1
> ---------------------- confint( ) --------------------------
> confint (lm(weight~height))
2.5 % 97.5 %
(Intercept) -82.1990101 -21.4041520
height 0.4355015 0.8087672