Sự khác biệt giữa lm(dữ liệu ~ thời gian) và tslm(dữ liệu ~ xu hướng) là gì?

In lại 作者：行者123 更新时间：2023-12-05 04:08:06 28 4

> library(forecast)
> set.seed(2)
> tts <- ts(100*runif(1200)+seq(1:1200)*0.1, frequency=12, start=c(2000,1))
> lm(tts~time(tts))

Call:
lm(formula = tts ~ time(tts))

Coefficients:
(Intercept) time(tts)  
  -2400.365 1.225  

> tslm(tts~trend)

Call:
tslm(formula = tts ~ trend)

Coefficients:
(Intercept) trend  
    48.9350 0.1021  

predict(lm(tts~time(tts)))
predict(tslm(tts~time(tts)))
all.equal(predict(lm(tts~time(tts))), predict(tslm(tts~trend)))

time(tts) 

trend

tmp <- time(tts)*12
lm(tts~tmp)

12*time(tts)

28 4 0

• r - lm() 和 predict.lm() 的奇怪行为取决于显式命名空间访问器的使用

  我对 lm 的一些令人不安的行为感兴趣函数和相关的predict.lm R 中的函数。splines基础包提供函数bs生成 b 样条展开，然后可用于使用 lm 拟合样条模型，一个通用的线性模型拟合函数

• R: minpack.lm::nls.lm 失败但结果良好

  我使用 minpack.lm 包中的 nls.lm 来拟合许多非线性模型。 由于初始参数估计时的奇异梯度矩阵，它经常在 20 次迭代后失败。 问题是当我在失败之前查看迭代(trace = T)时，我可

• r - 为什么 do(lm...) 和 geom_smooth(method ="lm") 之间有区别？

  我有一个稍微进入饱和状态的外部校准曲线。所以我拟合了一个二阶多项式和一个测量样本的数据框，我想知道其中的浓度。 df_calibration=structure(list(dilution = c(0

• r - 为什么有 plot.lm 帮助页面，而函数 plot.lm 不存在

  我试图弄清楚默认 r plot 的残差与拟合图中使用了哪种平滑线对于 lm对象，所以我通过输入 ?plot.lm 查看了帮助页面，因为据我了解 .是如何定义不同对象类型的这些默认行为的。 正如预期的那

• r - lm(offense$R ~ offence$OBP) 和 lm(R ~ OBP) 有什么区别？

  我正在尝试使用 R 创建一个线性模型并使用它来预测一些值。主题是棒球数据。如果我这样做: obp <- lm(offense$R ~ offense$OBP) predict(obp, newdata

• r - 使用 lm() 和 scale() 的标准化回归系数不同于使用 lm.beta() 或 cor() 的回归系数

  我有两个变量，我想找到它们之间的相关性。问题是，根据我使用的方法，我似乎得到了不同的结果。 我知道的一种方法是使用 scale() 函数中的自变量和因变量运行 lm() 函数。 所以下面的变量看起来像

• C Makefile 故障 : "gcc: -lm: linker input file unused because linking not done mpicc -lm 3D-ELM.o -o 3D-ELM.exe"

  我在使用 C Makefile 时遇到了一些问题。 Makefile 的内容如下: PROJECT = 3D-ELM MPICC = mpicc CLAGS = -g -O3 LIBS = -lm S

• lm 使用插入符号火车的结果

  我使用 caret R 包作为一个非常方便的建模包装器。虽然这是一个奇怪的用法，但在使用模型类型 =“lm”和“无”的交叉验证时，我在从模型中提取结果时遇到了一些麻烦。参见下面的示例: library

• r - 用模型矩阵而不是公式调用 lm

  我想使用 lm 在 R 中拟合线性模型获得总模型拟合的系数估计值和 p 值 + p 值(类似方差分析)，因此基本上来自 summary.lm 的输出. 问题是我想使用我自己的模型矩阵，而不是在调用 l

• r - 使用新数据预测.lm

  我建了一个 lm不使用 data= 的模型范围: m1 <- lm( mdldvlp.trim$y ~ gc.pc$scores[,1] + gc.pc$scores[,2] + gc.pc$sco

• r - 按函数应用于 lm()

  我是 R 的新手，我只是在学习 apply功能及其工作方式。我只想从 lm 中提取系数适合几年内产品颜色和品牌的变量 x。 我知道我可以创建一个 for 循环并按型号年份对数据进行子集化并拟合它，但我

• R:计算多个变量的行向 lm()

  如何计算 df 中存储在列中的多个变量的行向 lm()/系数？ 我有这种数据(只是例子): set.seed(1) foo trialNumber Nr1 Nr2

• 从 `lm()` 恢复原始变量名

  我对在 ggplot2 中自动绘制模型很感兴趣。基于 discussion在 ggplot2 问题跟踪器上，我相信像下面这样的包装器应该可以工作。 geom_predict Warning: Com

• r - `lm`摘要未显示所有因子水平

  我正在对多个属性(包括两个分类属性B和F)进行线性回归，但是我没有获得每个系数水平的系数值。 B具有9个级别，而F具有6个级别。当我最初运行模型(带有截距)时，我得到了8个B系数和5个F系数，我将其理

• r - lm() 函数中的子集参数如何工作？

  我一直试图弄清楚 subset R 中的参数 lm()功能有效。特别是以下代码对我来说似乎很可疑: data(mtcars) summary(lm(mpg ~ wt, data=mtcars))

• r - 以多种结果执行 lm

  我有以下数据框 > df df2 Economy ConditionA ConditionB ConditionC ConditionD 1 FRANCE 9

• r - lm 中因子的奇怪名称

  我正在使用来自包鼠标的男孩数据集的数据。当我对其中一个因子变量 (phb) 运行回归时，输出会显示这些因子，但给它们的名称与数据中的名称不同。我想知道为什么会这样。有没有办法纠正它？ library(

• r - lm() 如何知道哪些预测变量是分类的？

  通常，我和你(假设你不是机器人)很容易识别预测器是分类的还是定量的。例如，性别显然是分类的。您的最后一票可以分类。 基本上，我们可以轻松识别分类预测变量。但是当我们在 R 中输入一些数据时会发生什么，

• R:lm 对象的标准错误输出

  我们从中得到了一个 lm 对象并想提取标准错误 lm_aaa<- lm(aaa~x+y+z) 我知道函数摘要、名称和系数。 但是，摘要似乎是手动访问标准错误的唯一方法。 你知道我怎么能输出se吗？ 谢

• r - 在测试数据中具有未知因子水平的predict.lm()

  我正在拟合一个模型来分解数据并进行预测。如果newdata中的predict.lm()包含模型未知的单个因子级别，则所有predict.lm()都会失败并返回错误。 有没有一种好方法可以让predic