中国建设教育协会是什么网站,wordpress个性标签,网站建设注意哪些方面,垂直网站导航是谁做的目录 某地区土壤所含可给态磷回归分析
一、研究目的
二、数据来源和相关说明
三、描述性分析
3.1 样本描述
3.2 数据可视化
四、数据建模
4.1 回归模型A
4.2 回归模型B
4.3 回归模型B模型诊断
4.4 回归模型C
五、结论及建议
5.1 结论
5.2 建议
六、代码 某地区土…目录 某地区土壤所含可给态磷回归分析
一、研究目的
二、数据来源和相关说明
三、描述性分析
3.1 样本描述
3.2 数据可视化
四、数据建模
4.1 回归模型A
4.2 回归模型B
4.3 回归模型B模型诊断
4.4 回归模型C
五、结论及建议
5.1 结论
5.2 建议
六、代码 某地区土壤所含可给态磷回归分析
摘要 本文建立了多个回归模型分析土壤内可给态磷影响因素。经过分析得出土壤内可给态林浓度主要与土壤内无机磷浓度、土壤内溶于K2CO3溶液但不溶于溴化物水解的有机磷有关且前者对可给态磷浓度影响较大。逐步回归模型满足正态性与方差齐性且通过了显著性检验。根据土壤内无机磷浓度增加的0-1变量对土壤内可给态磷浓度不存在显著性影响。基于此可以根据回归方程模型对玉米的生产与产量起到指导意义。
一、研究目的
结合土壤中可给态磷的浓度可以预测玉米体内可供态磷浓度的状态预测玉米的生长态势指导玉米生产另一方面可以求出土壤中无机磷浓度被期望的范围从而对改善玉米的土壤条件对提高玉米产量起到重要作用。结合此背景本文欲分析某地区土壤所含可给态磷的影响因素进而对提出合理化建议。
二、数据来源和相关说明
本文依据表1某地区土壤所含可给态磷的情况建立多元线性回归方程。数据共计18条涉及4个变量分别是
表 2-1 变量说明 变量 解释 X1 土壤内所含无机磷浓度 X2 土壤内溶于K2CO3溶液并受溴化物水解的有机磷 X3 X4 土壤内溶于K2CO3溶液但不溶于溴化物水解的有机磷 以变量X1中位数为分界点将X1化为0-1变量 Y 一种在20℃土壤内的玉米中的可给态磷
三、描述性分析
为了获取对数据的直观了解本文先对数据进行了描述性统计分析。
3.1 样本描述
表 3-1 样本描述 MEAN SD MIN MED MAX X1 11.94 10.15 0.40 10.50 29.90 X2 42.06 13.58 19.00 44.00 65.00 X3 123.00 45.74 37.00 123.50 202.00 Y 81.28 27.00 51.00 77.00 168.00 从表3-1可以得出土壤内所含无机磷浓度X1介于0.40-29.90之间其平均水平约为11.94平均值和10.50中位数变异水平约为10.15标准差土壤内溶于K2CO3溶液并受溴化物水解的有机磷X2介于19.00-65.00之间其平均水平约为42.06平均值和44.00中位数变异水平约为13.58标准差土壤内溶于K2CO3溶液但不溶于溴化物水解的有机磷X3介于37.00-202.00之间其平均水平约为123.00平均值和123.50中位数变异水平约为45.74标准差一种在20℃土壤内的玉米中的可给态磷Y介于51.00-168.00之间其平均水平约为81.28平均值和77.00中位数变异水平约为27.00标准差。
3.2 数据可视化 为了更直观分析数据分布情况与数据间的相关关系本文绘制了各个变量的直方图与各变量的相关性热力图结果如图3-1和3-2所示。 图 3-1 直方图 从图3-1可以得出四个均不服从正态分布其中无机磷X1浓度主要集中在0~5土壤内溶于K2CO3溶液并受溴化物水解的有机磷X2浓度主要集中在30-60土壤内溶于K2CO3溶液但不溶于溴化物水解的有机磷X3浓度主要集中在100-175可给态磷浓度Y主要集中在60-100。 图 3-2 相关性热力图 由图3-2可以得出变量X1与Y之间存在较强的线性相关关系变量X2、X3与Y之间的线性相关关系较弱。
四、数据建模
4.1 回归模型A 为了分析可给态磷浓度Y的影响因素本文首先建立了全部变量的多元线性回归方程A即以Y作为因变量X1-X3作为自变量建立线性回归方程
Yβ0β1X1β2X2β3X3ϵ
模型结果如表4-1所示。
表 4-1 回归模型A结果 Estimate Std.Error t value Pr(|t|) (Intercept) 43.650 18.054 2.418 0.030* X1 1.785 0.540 3.308 0.052** X2 -0.083 0.420 -0.198 0.846 X3 0.161 0.112 1.443 0.171 R-squared 0.5493 Adjusted R-squared 0.4527 p-value 0.009227 从表4-1可以得出在显著性水平α0.05 下三个变量中只有X1的P值0.05即对Y有显著影响而变量X2和X3的P值0.05即对Y不存在显著性影响。模型的检验P值为0.0090.05即通过检验说明方程具有统计学意义。
4.2 回归模型B 由于模型A中X2和X3对Y不存在显著性影响因而本文又建立了逐步回归模型B对自变量进行选择模型结果如表4-2所示。
表4-2 回归模型B结果 Estimate Std.Error t value Pr(|t|) (Intercept) 41.479 13.883 2.988 0.009** X1 1.737 0.467 3.721 0.002** X3 0.155 0.104 1.494 0.156 R-squared 0.5481 Adjusted R-squared 0.4878 p-value 0.002589 由表4-2可以得出经过逐步回归分析剔除了变量X2保留了变量X1和X3。模型P值为0.0030.05通过检验。回归方程为
Y41.4791.737X10.155X3 (1)
即X1每增加1因变量Y增加1.737X3每增加1因变量Y增加0.155自变量X1对Y影响更大。
4.3 回归模型B模型诊断 首先对自变量进行共线性诊断结果如表4-3所示。X1和X3的VIF值均小于4即变量之间不存在多重共线性。
表 4-3 共线性检验 VIF X1 1.023639 X3 1.023639 其次对模型的正态性、方差齐性与异常值进行诊断结果如表4-1所示。由QQ图可以得出残差项基本服从正态分布由左下角图形可以得出方差基本保持水平即满足等方差性由右下角图形可以得出大部分点的cook距离均小于0.5只有第17个点的cook距离0.5位于1.0-1.5之间可以考虑剔除此点以优化模型。 图 4-1 回归模型B诊断
4.4 回归模型C 考虑到自变量X1对Y影响较大本文又根据变量X1增设变量X4具体操作是以X1中位数为分界点将X1数据分为两类若X1中位数则X41否则X40即变量X4为0-1变量。将变量X4那个模型建立回归模型C。模型结果如表4-4所示。
表4-4 回归模型C结果 Estimate Std.Error t value Pr(|t|) (Intercept) 39.069 17.687 2.209 0.04574* X1 2.850 0.904 3.153 0.00763** X2 -0.088 0.405 -0.218 0.83048 X3 0.200 0.111 1.802 0.09475 X4 -25.363 17.609 -1.44 0.17342 R-squared 0.6113 Adjusted R-squared 0.4918 p-value 0.01069
由表4-4可以得出模型P值为0.010.05即在显著性水平α0.05 下模型C具有统计学意义自变量X1-X4中只有变量X1通过了检验即对因变量Y存在显著性影响X2-X3未通过检验。下面考虑对变量X1-X4进行选择即建立逐步回归模型模型结果如表4-5所示。
表4-5 逐步回归模型结果 Estimate Std.Error t value Pr(|t|) (Intercept) 41.479 13.883 2.988 0.009** X1 1.737 0.467 3.721 0.002** X3 0.155 0.104 1.494 0.156 R-squared 0.5481 Adjusted R-squared 0.4878 p-value 0.002589 由表4-5可以得出经过逐步回归分析剔除了变量X2和X4保留了X1和X3模型结果与回归模型B结果相同模型解读与诊断与模型B相同。
五、结论及建议
5.1 结论 通过建立多个回归模型得出如下结论土壤内可给态林浓度主要与土壤内无机磷浓度、土壤内溶于K2CO3溶液但不溶于溴化物水解的有机磷有关且前者对可给态磷浓度影响较大。逐步回归模型满足正态性与方差齐性且通过了显著性检验。根据变量X1增加的0-1变量X4对土壤内可给态磷浓度不存在显著性影响。
5.2 建议 土壤内所含可给态磷浓度与土壤内无机磷浓度、土壤内溶于K2CO3溶液但不溶于溴化物水解的有机磷浓度存在线性回归关系。可以根据土壤内两者浓度预测土壤内可给态磷浓度进而预测玉米体内可供态磷浓度的状态与生长态势指导玉米生产另一方面可以通过改善土壤内所含可给态磷浓度改善玉米的土壤条件进而提高玉米产量。
六、代码
aread.csv(D:/个人成长/学业/课程/大三下课程/统计模型/作业/第二次作业/k2co3.csv,header1)
a[c(1:5),]N sapply(a,length)
MU sapply(a,mean)
SD sapply(a,sd)
MIN sapply(a,min)
MED sapply(a,median)
MAX sapply(a,max)
result cbind(N,MU,SD,MIN,MED,MAX)
resultpar(mfrow c(2,2))
hist(a$X1, xlab 无机磷, ylab 频数,mainNULL)
hist(a$X2, xlab 双溶有机磷, ylab 频数,mainNULL)
hist(a$X3, xlab 单溶有机磷, ylab 频数,mainNULL)
hist(a$Y, xlab 可给太磷, ylab 频数,mainNULL)
vif(Model.AIC)
library(corrplot)
kcor(a,useeverything,methodpearson)
par(mfrowc(1,1))
corrplot(k,addCoef.col black)fit lm(Y~X1X2X3, data a)
summary(fit)Model.AICstep(fit,traceF)
summary(Model.AIC)#共线性检验
library(car)
vif(Model.AIC)#模型诊断
par(mfrow c(2,2))
plot(Model.AIC,which1)
plot(Model.AIC,which 2)
plot(Model.AIC,which 3)
plot(Model.AIC,which 4)bread.csv(D:/个人成长/学业/课程/大三下课程/统计模型/作业/第二次作业/k2c032.csv,header1)fit2 lm(Y~X1X2X3X4, data b)
summary(fit2)Model.AIC2step(fit,traceF)
summary(Model.AIC2) 个人见解欢迎大家批评指正
