在 R 中手动执行线性回归
Manually performing linear regression in R
假设我有以下线性模型。
y = ax + bz
我的问题是；如何在不使用 lm 函数的情况下估计这些参数。
不清楚您希望对无包裹要求有多严格。如果你愿意使用 stats 包（大多数人甚至不认为这是一个包，因为它是基本 R 的标准，你不必用 library() 加载它） , 然后你可以调用通常的“线性模型”函数 lm().
使用 `lm()`
fit <- lm(y ~ x + z, data = your_data_frame)
summary(fit)
使用矩阵代数
相比之下，您还可以采取更自命不凡的方式编写矩阵代数以手动拟合这些参数。除了基础 R 之外，这不涉及任何包。
X <- as.matrix(your_data[, c('x', 'z')]) # extract your predictors
X <- cbind(1, X) # add an intercept to your design matrix
y <- your_data$y
betas <- solve(t(X) %*% X) %*% t(X) %*% y
编辑：请注意，这些方法假定没有缺失数据（即每一行都有一个 y、x 和 z 值）。
假设我有以下线性模型。
y = ax + bz
我的问题是；如何在不使用 lm 函数的情况下估计这些参数。
不清楚您希望对无包裹要求有多严格。如果你愿意使用 stats 包（大多数人甚至不认为这是一个包，因为它是基本 R 的标准，你不必用 library() 加载它） , 然后你可以调用通常的“线性模型”函数 lm().
使用 `lm()`
fit <- lm(y ~ x + z, data = your_data_frame)
summary(fit)
使用矩阵代数
相比之下，您还可以采取更自命不凡的方式编写矩阵代数以手动拟合这些参数。除了基础 R 之外，这不涉及任何包。
X <- as.matrix(your_data[, c('x', 'z')]) # extract your predictors
X <- cbind(1, X) # add an intercept to your design matrix
y <- your_data$y
betas <- solve(t(X) %*% X) %*% t(X) %*% y
编辑：请注意，这些方法假定没有缺失数据（即每一行都有一个 y、x 和 z 值）。