R语言分段回归数据数据分析案例报告

# 读取数据
data=read.csv("artificial-cover.csv")

# 查看部分数据

head(data)

##   tree.cover shurb.grass.cover
## 1       13.2              16.8
## 2       17.2              21.8
## 3       45.4              48.8
## 4       53.6              58.7
## 5       58.5              55.5
## 6       63.3              47.2

#######先调用spline包
library ( splines )
###########用lm拟合，主要注意部分是bs（age,knots=c(...)）这部分把自变量分成不同部分
fit =lm(tree.cover~bs(shurb.grass.cover ,knots =c(25 ,40 ,60) ),data=data )
############进行预测，预测数据也要分区
pred= predict (fit , newdata =list(shurb.grass.cover =data$shurb.grass.cover),se=T)
#############然后画图
plot(fit)

# 可以构造一个相对复杂的 LOWESS 模型（span参数取小一些），然后和一个简单的模型比较，如：
 

  'ggplot2' was built under R version 3.3.3

## `geom_smooth()` using method = 'loess'

# 其他数据
 

 


data=data[,1:4]
head(data)

##   year      Soil vegetation      SEM
## 1 1999 -3.483724  -2.528836 2.681003
## 2 1999 -3.452582  -2.418049 2.348640
## 3 1999 -3.350827  -2.590552 2.696037
## 4 1999 -3.740395  -2.933848 3.627112
## 5 1999 -3.465906  -2.694211 2.333755
## 6 1999 -3.381802  -2.788154 2.656276

#####因变量 Soil


#######先调用spline包
library ( splines )
###########用lm拟合，主要注意部分是bs（age,knots=c(...)）这部分把自变量分成不同部分
 
#############然后画图
plot(fit)

# 可以构造一个相对复杂的 LOWESS 模型（span参数取小一些），然后和一个简单的模型比较，如：
 

library(ggplot2)
 

## `geom_smooth()` using method = 'loess'

 # 总趋势

 

 # 按0前后分组









#####因变量 SEM


#######先调用spline包
library ( splines )
###########用lm拟合，主要注意部分是bs（age,knots=c(...)）这部分把自变量分成不同部分
fit =lm(SEM~bs(vegetation ,knots =c(-2 ,0 ,1) ),data=data )
############进行预测，预测数据也要分区
pred= predict (fit , newdata =list(vegetation =data$vegetation),se=T)
#############然后画图
plot(fit)

# 可以构造一个相对复杂的 LOWESS 模型（span参数取小一些），然后和一个简单的模型比较，如：
x<-data$vegetation


y<-data$SEM
 

  # 总趋势

 

## `geom_smooth()` using method = 'loess'

 # 按0前后分组