r语言asrmel分析结果怎么看

1. r语言asrmel分析结果怎么看

R语言习本较主要每每考虑使用未用package详读应package技术文档（pdf）另外package靠性问题没办R源非商业统计软件发各种package乱七八糟慎用陌package若要用请详读源码

2. 请教DEAP解的结果中的一些涵义

DEA分析步骤及结果解释

deap 2.1软件分析过程及结果解释：
第一步，设置参数，变量及选定所用模型，下述：16为DMU个数，即总体样本个数；1为面板数据中的年限，如果做横截面数据，就写1，面板数据则写选取的时序个数（如年数）；4，3分别为产出指标、投入指标个数（在编辑EG1。DTA文件时，产出指标放前面）；0表示选取的是投入主导型模型，1表示产出主导型，二者区别不大，关键结合问题选取，一般选投入主导型；crs表示不考虑规模收益的模型即C^2 R模型，vrs表示考虑规模收益模型即BC^2模型；最后是内部算法，一般选0就可以。
eg1.dta            DATA FILE NAME
eg1.out            OUTPUT FILE NAME
16          NUMBER OF FIRMS
1        NUMBER OF TIME PERIODS 
4        NUMBER OF OUTPUTS
3         NUMBER OF INPUTS
0              0=INPUT AND 1=OUTPUT ORIENTATED
1    0=CRS AND 1=VRS
0    0=DEA(MULTI-STAGE), 1=COST-DEA, 2=MALMQUIST-DEA, 3=DEA(1-STAGE),    4=DEA(2-STAGE)
第二步，结果解释：
1、效率分析EFFICIENCY SUMMARY:


firm  crste  vrste  scale
四列数据分别表示：firm样本次序；crste不考虑规模收益是的技术效率（综合效率）；vrste考虑规模收益时的技术效率（纯技术效率）；scale考虑规模收益时的规模效率（规模效率），纯技术效率和规模效率是对综合效率的细分；最后有一列irs,---，drs,分别表示规模收益递增、不变、递减。


2、 SUMMARY OF OUTPUT SLACKS、SUMMARY OF INPUT SLACKS分别表示产出和投入指标的松弛变量取值，即原模型中的s值。
3、SUMMARY OF PEERS:
  表示非DEA有效单元根据相应的DEA有效单元进行投影即可以实现相对有效。后面有相应的权数SUMMARY OF PEER WEIGHTS。
4、SUMMARY OF OUTPUT TARGETS、SUMMARY OF INPUT TARGETS
为各单元的目标值，即达到有效的值，如果是DEA有效单元则是原始值
5、FIRM BY FIRM RESULTS即针对各个单元的详细结果
original value 表示原始值；radial movement表示投入指标的松弛变量取值，即投入冗余值；   slack movement 表示产出指标的松弛变量取值，即产出不足值 projected value达到DEA有效的目标值。

 

第三步，针对各结果，进行分析，如效率分析、投入冗余产出不足分析、投影分析等
上述，是本人运用DEAP2.1 软件时通过各种途径学习总结所得，有不足或错误之处请各位指出。呵呵！

3. 运用DEA-solver分析数据，为什么分析出来的结果，输入和输出都少一列啊？请高手帮我解答一下

scanf("d%",&year); ？？

4. 回归分析的结果怎么看?

首先来说明各个符号，B也就是beta，代表回归系数，标准化的回归系数代表自变量也就是预测变量和因变量的相关，为什么要标准化，因为标准化的时候各个自变量以及因变量的单位才能统一，使结果更精确，减少因为单位不同而造成的误差。T值就是对回归系数的t检验的结果，绝对值越大，sig就越小，sig代表t检验的显著性，在统计学上，sig<0.05一般被认为是系数检验显著，显著的意思就是你的回归系数的绝对值显著大于0，表明自变量可以有效预测因变量的变异，做出这个结论你有5%的可能会犯错误，即有95%的把握结论正确。
回归的检验首先看anova那个表，也就是F检验，那个表代表的是对你进行回归的所有自变量的回归系数的一个总体检验，如果sig<0.05,说明至少有一个自变量能够有效预测因变量，这个在写数据分析结果时一般可以不报告
然后看系数表，看标准化的回归系数是否显著，每个自变量都有一个对应的回归系数以及显著性检验
最后看模型汇总那个表，R方叫做决定系数，他是自变量可以解释的变异量占因变量总变异量的比例，代表回归方程对因变量的解释程度，报告的时候报告调整后的R方，这个值是针对自变量的增多会不断增强预测力的一个矫正（因为即使没什么用的自变量，只要多增几个，R方也会变大，调整后的R方是对较多自变量的惩罚），R可以不用管，标准化的情况下R也是自变量和因变量的相关

5. 用lingo做DEA分析出来的结果应该如何分析呢？

第一行最优解的范围为<=1，若为1，则表示该决策单元是有效的。后面的输出在DEA中无意义，可不看。

6. r语言冗余分析的结果怎么看

具体一点

7. R语言中 成分残差图的结果怎么看

那个最佳答案说的跟这个问题没有关系。我在学习r语言的线性回归的时候遇到了这个问题。这个图是用来判断你对回归模型的线性假设是否成立的。看法如下：
按照书上所说就是：“



若图形存在非线性，则说明你可能对预测变量的函数形式建模不够充分，
那么就需要添加一些曲线成分，比如多项式项，或对一个或多个变量进行变换(如用log(X)代
替X)，或用其他回归变体形式而不是线性回归。 



”

按照别人的说法就是：看图中的两条线，红色虚线和绿色实线是否接近。接近了就说明模型是线性的（这是在RStudio中做出的成分残差图）。

8. r语言主成分分析biplot怎么看

#R中作为主成分分析最主要的函数是princomp()函数
#princomp()主成分分析   可以从相关阵或者从协方差阵做主成分分析
#summary()提取主成分信息 
#loadings()显示主成分分析或因子分析中载荷的内容
#predict()预测主成分的值 
#screeplot()画出主成分的碎石图 
#biplot()画出数据关于主成分的散点图和原坐标在主成分下的方向

3、案例
#现有30名中学生身高、体重、胸围、坐高数据，对身体的四项指标数据做主成分分析。
#1.载入原始数据
test<-data.frame(
  X1=c(148, 139, 160, 149, 159, 142, 153, 150, 151, 139,
           140, 161, 158, 140, 137, 152, 149, 145, 160, 156,
           151, 147, 157, 147, 157, 151, 144, 141, 139, 148),