Datasets:
Vikhrmodels
/
programming_books_rus

Dataset card Data Studio Files
xet
 Community
1
text
stringlengths
0
1.95k
20576
3085
Остаточные xres
F
0.0062
7.30
Pr(>F)
0.937
0.007
MSS
5.3
6252
856
К разделу 4.7:
# Загрузка данных из файла Excel и их подготовка
library(xlsReadWrite) ; library (gam); library(car); library(MuMIn)
TOR <- read.xls("Ruts.xls", sheet = 1, rowNames=TRUE) ; attach (TOR)
# Создаем отсортированные векторы и список значений параметра сглаживания
x<-W[order(W)] ; y <-C[order(W)] ; spanlist <- c(0.15, 0.50, 1.00, 2.00)
# 15 случайных пар значений выделим для экзамена
MissingList <- sample(x,15); x[MissingList] <- NA
# Рисуем облако точек обучающей выборки
plot(x,y, xlab="Масса тела, г", ylab="Масса сердца, мг")
# Выводим кривые сглаживания LOESS для различных значений параметра span
for (i in 1:length(spanlist)) {
y.loess <- loess(y ~ x, span=spanlist[i], data.frame(x=x, y=y))
y.predict <- predict(y.loess, data.frame(x=x)) ; lines(x,y.predict,col=i)
# Рисуем точками прогнозируемые значения для экзаменационной последовательности
y.Missing <- predict(y.loess, data.frame(x=MissingList))
points(MissingList, y.Missing, pch=FILLED.CIRCLE<-19, col=i) }
legend ("bottomright", c(paste("span =", formatC(spanlist, digits=2, format="f"))),
lty=SOLID<-1, col=1:length(spanlist), bty="n")
# Выводим кривые сглаживания сплайнами для различных значений параметра spar
x<-Lt[order(Lt)] ; y <-H[order(Lt)]
plot(x,y,xlab="Длина тела, см", ylab="Масса печени, мг") ; abline(lm(y ~ x),col="grey")
sp.spline <- smooth.spline(x,y,cv=TRUE) ; lines(sp.spline, lwd=2) # Оптимальная кривая
lines(smooth.spline(x,y,spar=1.5),col="blue");
lines(smooth.spline(x,y,spar=1),col="blue",lty=2)
lines(smooth.spline(x,y,spar=0.5),col="red")
lines(smooth.spline(x,y,spar=0.3),col="red",lty=2)
legend ("bottomright", c("spar = 0.3", "spar = 0.5", "spar = C.V", "spar = 1","spar = 1.5"),
;
col = c("red", "red", 1, "blue", "blue"), lty = c(2,1,1,2,1))
157
# Выводим матрицу графиков рассеивания для четырех показателей
Labels <- c("Надпочечники","Масса почек", "Масса тела", "Возраст")
scatterplotMatrix(~SR + R + W + age1,var.labels = Labels, data = TOR, diag = "boxplot")
# Подбор моделей GAM
dredge(gam(C ~ lo(W) + lo(Lt) + lo(age1) + lo(mon),
family = gaussian, data = TOR), rank = "AIC")
dredge(gam(R ~ lo(W) + lo(Lt) + lo(age1) + lo(mon),
family = gaussian, data = TOR), rank = "AIC")
dredge(gam(SR ~ lo(W) + lo(Lt) + lo(age1) + lo(mon),
family = gaussian, data = TOR), rank = "AIC")
dredge(gam(H ~ lo(W) + lo(Lt) + lo(age1) + lo(mon),
family = gaussian, data = TOR), rank = "AIC")
dredge(gam(L ~ lo(W) + lo(Lt) + lo(age1) + lo(mon),
family = gaussian, data = TOR), rank = "AIC")
# Расчет оптимальных моделей GAM и вывод модельных значений и остатков
C.gam <- gam(C ~ lo(W) + lo(Lt) + lo(age1) + lo(mon), family = gaussian, data = TOR)
R_1.gam <- gam(R ~ lo(W) + lo(Lt) , family = gaussian, data = TOR)
SR_1.gam <- gam(SR ~ lo(age1)+ lo(Lt)+ lo(mon) , family = gaussian, data = TOR)
H_1.gam <- gam(H ~ lo(W) + lo(Lt) , family = gaussian, data = TOR)
L_1.gam <- gam(L ~ lo(W) + lo(Lt) , family = gaussian, data = TOR)
TOR.fit <- data.frame(TOR, C.res = C.gam$res , C.fit = C.gam$fit,
R.res=R_1.gam$res,R.fit=R_1.gam$fit,SR.res=SR_1.gam$res,SR.fit=SR_1.gam$fit,
H.res=H_1.gam$res,H.fit=H_1.gam$fit,L.res=L_1.gam$res,L.fit=L_1.gam$fit)
save(TOR.fit, file="Ruts.RData") # Сохраняем расширенную таблицу для дальнейших расчетов
H.gam <- gam(H ~ lo(W) + lo(Lt) + lo(age1) + lo(mon), family = gaussian, data = TOR)
summary(H.gam) ; anova(H.gam, H_1.gam) # Сравниваем оптимальную и полную модели
plot(H_1.gam,residuals=TRUE,se=TRUE, ask =TRUE) # Выводим графики остатков
summary(lm(H ~ W + Lt , family = gaussian, data = TOR)) # линейная модель для сравнения
# Двухфакторный дисперсионный анализ зависимости массы почек от пола и местообитания
attach(TOR.fit) ; summary(aov(R ~ M + sex))
summary(aov(R.fit ~ M + sex)) ; summary(aov(R.res ~ M + sex))
4.8. Многомерный анализ MANOVA и метод случайного зондирования
В предыдущих разделах мы рассматривали методы, позволяющие выяснить, как
влияет на значение одномерного отклика Y совокупность m факторов X, выраженных
независимыми непрерывными переменными или категориями группирующих признаков.