问题标签 [linear-regression]

我正在拟合一个模型来分解数据并进行预测。如果newdatainpredict.lm()包含模型未知的单个因子水平，则all ofpredict.lm()失败并返回错误。

有没有一种好方法可以predict.lm()返回模型知道的那些因子水平的预测和未知因子水平的 NA，而不仅仅是一个错误？

示例代码：

我希望最后一个命令返回对应于因子水平“A”、“B”和“C”以及NA对应于未知水平“D”的三个“真实”预测。

我有两个依赖项，它们都依赖于两个变量并且相互依赖，这可以在 R 中建模（必须是！）但我不知道怎么做，有人提示吗？

明确地说：

我想用以下模型对我的数据进行建模：

注：coef2 出现在 Xi 两行，Yi 分别为输入和输出数据

我做到了这一点：

现在如何添加模型的第二行，包括交叉依赖？

非常感谢您的帮助！干杯，巴斯蒂安

问候，

我正在进行研究，这将有助于确定观察到的空间的大小以及自大爆炸以来经过的时间。希望您能提供帮助！

我有双线性数据，我想对其执行两个线性回归。有一个斜率和截距发生变化的点，我需要（编写一个程序来）找到这个点。

想法？

首先，我是 C++ 的新手。

我正在为我的硕士论文编写一个程序，其中的一部分假设以递归方式解决回归。

我想解决：

在我的情况下，计算速度是不可忽视的，这就是我想知道 Boost::BLAS 是否使用

将需要比 Lapackpp 更少的计算时间（我使用的是 gentoo）。

PS 我可以在 Lapackpp 项目站点 Class 文档中找到，但没有示例。有人可以给我一些例子，以防 Lapack 比 Boost::BLAS 更快

谢谢

我想解决线性方程组：

A 是一个n x m矩阵（不是正方形），b 和 x 都是n x 1向量。在已知 A 和 b 的情况下，n 大约为 50-100，m 约为 2（换句话说，A 可能是最大值 [100x2]）。

我知道解决方案x：$x = \inv(A^T A) A^T b$

我找到了几种解决方法：uBLAS（Boost）、Lapack、Eigen 等，但我不知道使用这些包的“x”的 CPU 计算时间有多快。我也不知道这在数字上是否快速为什么要解决'x'

对我来说重要的是，由于我是新手，所以 CPU 计算时间会尽可能短并且有很好的文档。

在解决了正规方程后，Ax = b我想使用回归改进我的近似值，然后可能会应用卡尔曼滤波器。

我的问题是哪个 C++ 库对于我上面描述的需求更健壮和更快？

我的数据在 x 和 y 上都是数字，并使用mschart 4.0绘制了图表

我需要为我拥有的一堆点添加趋势线/线性回归。x 和 y 上的数据都是数字（任何地方都没有日期），例如 (33.4,45.1) 将是一个点。

在我从第一个链接下载的示例中，我在代码文件 forecasting.aspx(.cs) 中找到了一个线性回归示例，我找到了这个ms 文档

我在图表中添加了一条线性回归线，下面的线（一旦设置了所有其他数据等）

这两个问题都在于他们假设使用了日期。无论如何我继续实施它，但我的回归线从大约 20 的 x 值开始，如果我给参数 Period 一个值，将转到其中一个点的最大 x 值的 x 值（几乎 70） 700。但由于它不是从 x 值 0 开始，我不相信它是正确的。

有人对如何实现这个有任何想法吗？

我正在尝试从 C 中的 R 中重新生成一些代码，因此我正在尝试使用该gsl_fit_linear()函数拟合线性回归。

在 R 中，我将使用 lm() 函数，该函数使用以下代码返回拟合的 p 值：

我不知道如何从 C 输出到 p 值，到目前为止，我的代码看起来像这样：

这似乎可以正确计算斜率和截距，但我不知道如何获得 p 值。我是统计和C的新手！

你知道 .net 中的一个免费库，我可以用它来拟合多元回归。我想获得系数和所有统计数据（p 值、标准误差、适应度等）。我试过 Meta.Numerics，效果很好，但它没有一些统计数据。

有谁知道 Java 中有一个直接实现加权线性回归的科学/数学库？类似于函数的东西，它接受 3 个参数并返回相应的系数：

这看起来相当简单，所以我想它存在于某个地方。

PS）我试过弗兰尼根的图书馆：http ://www.ee.ucl.ac.uk/~mflanaga/java/Regression.html ，它有正确的想法，但似乎偶尔崩溃并抱怨我的自由度？

假设我们有一个 y=x1+x2+... 形式的加法模型，其中包含很多变量。R 中是否有一个例程来识别应被视为表现出二次效应的变量？我知道 Box-Cox 转换允许识别 y 的链接，但是 x 呢？如果只有几个变量，很容易测试它们，但是持有一大堆呢？

来自德国的问候