㈠ 如何在r语言中抓取股票数据并分析论文
用quantomd包
然后getsymbols函数
分析论文 要看你研究方向
如果是看影响因素 一般回归就行
如果看股票波动和预测 可能需要时间序列
㈡ 如何用R语言做线性相关回归分析
cor()函数可以提供双变量之间的相关系数，还可以用scatterplotMatrix()函数生成散点图矩阵
不过R语言没有直接给出偏相关的函数；
我们要是做的话，要先调用cor.test()对变量进行Pearson相关性分析，
得到简单相关系数，然后做t检验，判断显着性。
㈢ 如何用r软件对给定数据进行回归分析（不能用lm函数）
可以试着探索一下summary(lm(y~x))到底是什么。 首先看一下summary(lm(y~x))是什么数据类型： > m class(summary(m)) [1] "summary.lm" #可以看到，lm的结果是一个"summary.lm" 对象。这有些显而易见。好吧，继续探索。 R语言中所有的对象都建立在一些native data structures之上，那么summary(lm(y~x)的native data structure是什么呢？可以用mode()命令查看。
㈣ 如何用R语言提取股票行情数据
你好，关于股票价格有关的开盘价格，当日最高价格，当日最低价格，收盘价格，股票交易量；和调整后的价格；
DIA.Open 当日开盘价格
DIA.High 当日最高价格
DIA.Low 当日最低价格
DIA.Close 当日收盘价格
DIA.Volume 当日股票交易量
DIA.Adjusted 当日调整后的价格
㈤ 基于R语言实现Lasso回归分析
基于R语言实现Lasso回归分析
主要步骤：
将数据存成csv格式，逗号分隔
在R中，读取数据，然后将数据转成矩阵形式
加载lars包，先安装
调用lars函数
确定Cp值最小的步数
确定筛选出的变量，并计算回归系数
具体代码如下：
需要注意的地方：
1、数据读取的方法，这里用的file.choose( )，这样做的好处是，会弹出窗口让你选择你要加载进来的文件，免去了输入路径的苦恼。
2、数据要转为矩阵形式
3、（la） 可以看到R方，这里为0.66，略低
4、图如何看？ summary的结果里，第1步是Cp最小的，在图里，看到第1步与横轴0.0的交界处，只有变量1是非0的。所以筛选出的是nongyangungun
Ps: R语言只学习了数据输入，及一些简单的处理，图形可视化部分尚未学习，等论文写完了，再把这部分认真学习一下~~在这里立个flag
㈥ r语言logistic回归怎么做预测
二元logit回归
1.打开数据，依次点击：analyse--regression--binarylogistic，打开二分回归对话框。
2.将因变量和自变量放入格子的列表里，上面的是因变量，下面的是自变量（单变量拉入一个，多因素拉入多个）。
3.设置回归方法，这里选择最简单的方法：enter，它指的是将所有的变量一次纳入到方程。其他方法都是逐步进入的方法。
4.等级资料，连续资料不需要设置虚拟变量。多分类变量需要设置虚拟变量。
虚拟变量ABCD四类，以a为参考，那么解释就是b相对于a有无影响，c相对于a有无影响，d相对于a有无影响。
5.选项里面至少选择95%CI。
点击ok。
㈦ 回归分析 | R语言 -- 多元线性回归
多元线性回归 是 简单线性回归 的扩展，用于基于多个不同的预测变量（x）预测结果变量（y）。
例如，对于三个预测变量（x），y的预测由以下等式表示： y = b0 + b1*x1 + b2*x2 + b3*x3
回归贝塔系数测量每个预测变量与结果之间的关联。“ b_j”可以解释为“ x_j”每增加一个单位对y的平均影响，同时保持所有其他预测变量不变。
在本节中，依然使用 datarium 包中的 marketing 数据集，我们将建立一个多元回归模型，根据在三种广告媒体（youtube，facebook和报纸）上投入的预算来预测销售。计算公式如下： sales = b0 + b1*youtube + b2*facebook + b3*newspaper
您可以如下计算R中的多个回归模型系数：
请注意，如果您的数据中包含许多预测变量，则可以使用 ~. 以下命令将模型中的所有可用变量简单地包括在内：
从上面的输出中，系数表显示β系数估计值及其显着性水平。列为：
如前所述，您可以使用R函数轻松进行预测 predict() ：
在使用模型进行预测之前，您需要评估模型的统计显着性。通过显示模型的统计摘要，可以轻松地进行检查。
显示模型的统计摘要，如下所示：
摘要输出显示6个组件，包括：
解释多元回归分析的第一步是在模型摘要的底部检查F统计量和关联的p值。
在我们的示例中，可以看出F统计量的p值<2.2e-16，这是非常重要的。这意味着 至少一个预测变量与结果变量显着相关 。
要查看哪些预测变量很重要，您可以检查系数表，该表显示了回归beta系数和相关的t统计p值的估计。
对于给定的预测变量，t统计量评估预测变量和结果变量之间是否存在显着关联，即，预测变量的beta系数是否显着不同于零。
可以看出，youtube和facebook广告预算的变化与销售的变化显着相关，而报纸预算的变化与销售却没有显着相关。
对于给定的预测变量，系数（b）可以解释为预测变量增加一个单位，同时保持所有其他预测变量固定的对y的平均影响。
例如，对于固定数量的youtube和报纸广告预算，在Facebook广告上花费额外的1000美元，平均可以使销售额增加大约0.1885 * 1000 = 189个销售单位。
youtube系数表明，在所有其他预测变量保持不变的情况下，youtube广告预算每增加1000美元，我们平均可以预期增加0.045 * 1000 = 45个销售单位。
我们发现报纸在多元回归模型中并不重要。这意味着，对于固定数量的youtube和报纸广告预算，报纸广告预算的变化不会显着影响销售单位。
由于报纸变量不重要，因此可以 将其从模型中删除 ，以提高模型精度：
最后，我们的模型公式可以写成如下：。 sales = 3.43+ 0.045*youtube + 0.187*facebook
一旦确定至少一个预测变量与结果显着相关，就应该通过检查模型对数据的拟合程度来继续诊断。此过程也称为拟合优度
可以使用以下三个数量来评估线性回归拟合的整体质量，这些数量显示在模型摘要中：
与预测误差相对应的RSE（或模型 sigma ）大致代表模型观察到的结果值和预测值之间的平均差。RSE越低，模型就越适合我们的数据。
将RSE除以结果变量的平均值将为您提供预测误差率，该误差率应尽可能小。
在我们的示例中，仅使用youtube和facebook预测变量，RSE = 2.11，这意味着观察到的销售值与预测值的平均偏差约为2.11个单位。
这对应于2.11 / mean（train.data $ sales）= 2.11 / 16.77 = 13％的错误率，这很低。
R平方（R2）的范围是0到1，代表结果变量中的变化比例，可以用模型预测变量来解释。
对于简单的线性回归，R2是结果与预测变量之间的皮尔森相关系数的平方。在多元线性回归中，R2表示观察到的结果值与预测值之间的相关系数。
R2衡量模型拟合数据的程度。R2越高，模型越好。然而，R2的一个问题是，即使将更多变量添加到模型中，R2总是会增加，即使这些变量与结果之间的关联性很小（James等，2014）。解决方案是通过考虑预测变量的数量来调整R2。
摘要输出中“已调整的R平方”值中的调整是对预测模型中包含的x变量数量的校正。
因此，您应该主要考虑调整后的R平方，对于更多数量的预测变量，它是受罚的R2。
在我们的示例中，调整后的R2为0.88，这很好。
回想一下，F统计量给出了模型的整体重要性。它评估至少一个预测变量是否具有非零系数。
在简单的线性回归中，此检验并不是真正有趣的事情，因为它只是复制了系数表中可用的t检验给出的信息。
一旦我们开始在多元线性回归中使用多个预测变量，F统计量就变得更加重要。
大的F统计量将对应于统计上显着的p值（p <0.05）。在我们的示例中，F统计量644产生的p值为1.46e-42，这是非常重要的。
我们将使用测试数据进行预测，以评估回归模型的性能。
步骤如下：
从上面的输出中，R2为 0.9281111 ，这意味着观察到的结果值与预测的结果值高度相关，这非常好。
预测误差RMSE为 1.612069 ，表示误差率为 1.612069 / mean(testData $ sales) = 1.612069/ 15.567 = 10.35 ％ ，这很好。
本章介绍了线性回归的基础，并提供了R中用于计算简单和多个线性回归模型的实例。我们还描述了如何评估模型的性能以进行预测。
㈧ 如何用R语言提取股票行情数据
最上边一行菜单栏倒数第二个“高级”-“关联任务定义”-选取最右边从上到下第二个按钮，找到2009年决算任务安装路径-确定。 然后 最上边一行菜单栏正数第二个“录入”-“上年数据提取”即可 提取完了，注意修改与去年不同的科目代码！
㈨ 怎么用R语言编写一个完整的多元线性回归方程
）attach(byu)
lm(salary
~
age+exper)
lm(salary~.,byu)
#利用全部自变量做线性回归
lm()只能得出回归系数，要想得到更为详尽的回归信息，应该将结果作为数据保存或者使用“拟合模型”（fitted
model）
result<-lm(salary~age+
exper
+
age*exper,
data=byu)
summary(result)
myresid<-result$resid
#获得残差
vcov(result)
＃针对于拟合后的模型计算方差－协方差矩阵
shapiro.test(b)
#做残差的正太性检验
qqnorm(bres);qqline(bres)
#做残差
㈩ r语言lm函数可以做非线性回归吗
模型拟合
对于人口模型可以采用Logistic增长函数形式，它考虑了初期的指数增长以及总资源的限制。其函数形式如下。
首先载入car包以便读取数据，然后使用nls函数进行建模，其中theta1、theta2、theta3表示三个待估计参数，start设置了参数初始值，设定trace为真以显示迭代过程。nls函数默认采用Gauss-Newton方法寻找极值，迭代过程中第一列为RSS值，后面三列是各参数估计值。然后用summary返回回归结果。
library(car)
pop.mod1 <- nls(population ~ theta1/(1+exp(-(theta2+theta3*year))),start=list(theta1 = 400, theta2 = -49, theta3 = 0.025), data=USPop, trace=T)
summary(pop.mod)
在上面的回归过程中我们直接指定参数初始值，另一种方法是采用搜索策略，首先确定参数取值范围，然后利用nls2包的暴力方法来得到最优参数。但这种方法相当费时。
还有一种更为简便的方法就是采用内置自启动模型(self-starting Models)，此时我们只需要指定函数形式，而不需要指定参数初始值。本例的logistic函数所对应的selfstarting函数名为SSlogis
pop.mod2 <- nls(population ~ SSlogis(year,phi1,phi2,phi3),data=USPop)
二、判断拟合效果
非线性回归模型建立后需要判断拟合效果，因为有时候参数最优化过程会捕捉到局部极值点而非全局极值点。最直观的方法是在原始数据点上绘制拟合曲线。
library(ggplot2)
p <- ggplot(USPop,aes(year, population))