使用Python或R语言重新拟合模型

以下分别给出使用 Python 和 R 语言完成该任务的示例代码,假设我们有一个包含被试编号、实验条件和反应时的数据,并且要拟合一个线性回归模型。

Python 实现

python 复制代码
import pandas as pd
import numpy as np
import statsmodels.api as sm

# 生成示例数据
data = {
    'subject': np.repeat(range(1, 11), 5),
    'condition': np.tile(['A', 'B', 'C', 'D', 'E'], 10),
    'reaction_time': np.random.normal(500, 100, 50)
}
df = pd.DataFrame(data)

# 去除异常值
def remove_outliers(group):
    mean = group.mean()
    std = group.std()
    return group[(group - mean).abs() <= 2.5 * std]

df['reaction_time'] = df.groupby(['subject', 'condition'])['reaction_time'].transform(remove_outliers)
df = df.dropna()

# 拟合线性回归模型
# 将分类变量转换为虚拟变量
df = pd.get_dummies(df, columns=['condition'], drop_first=True)
X = df.drop(['subject', 'reaction_time'], axis=1)
X = sm.add_constant(X)
y = df['reaction_time']

model = sm.OLS(y, X).fit()

# 打印模型结果
print(model.summary())

# 模型结果解释
print("\n模型结果解释:")
print("该线性回归模型用于预测反应时。")
print("- 常数项(const):表示当所有实验条件都为基准条件(在创建虚拟变量时被删除的条件)时的平均反应时。")
for col in X.columns[1:]:
    print(f"- {col} 的系数:表示该实验条件相对于基准条件对反应时的影响。如果系数为正,说明该条件下的反应时比基准条件长;如果系数为负,说明该条件下的反应时比基准条件短。")
print("- R-squared:表示模型对数据的拟合优度,取值范围在 0 到 1 之间,越接近 1 表示拟合效果越好。")
print("- p 值:用于检验每个系数是否显著不为零。如果 p 值小于 0.05,通常认为该系数在统计上是显著的。")

R 语言实现

R 复制代码
# 生成示例数据
set.seed(123)
subject <- rep(1:10, each = 5)
condition <- rep(c("A", "B", "C", "D", "E"), 10)
reaction_time <- rnorm(50, 500, 100)
df <- data.frame(subject, condition, reaction_time)

# 去除异常值
remove_outliers <- function(x) {
  mean_val <- mean(x)
  sd_val <- sd(x)
  return(x[abs(x - mean_val) <= 2.5 * sd_val])
}

df <- df %>%
  group_by(subject, condition) %>%
  mutate(reaction_time = remove_outliers(reaction_time)) %>%
  ungroup() %>%
  drop_na()

# 拟合线性回归模型
model <- lm(reaction_time ~ condition, data = df)

# 打印模型结果
summary(model)

# 模型结果解释
cat("\n模型结果解释:\n")
cat("该线性回归模型用于预测反应时。\n")
cat("- 截距项:表示当实验条件为基准条件(在模型中自动选择的第一个水平)时的平均反应时。\n")
for (i in 2:length(coef(model))) {
  cat(paste0("- ", names(coef(model))[i], " 的系数:表示该实验条件相对于基准条件对反应时的影响。如果系数为正,说明该条件下的反应时比基准条件长;如果系数为负,说明该条件下的反应时比基准条件短。\n"))
}
cat("- Multiple R-squared:表示模型对数据的拟合优度,取值范围在 0 到 1 之间,越接近 1 表示拟合效果越好。\n")
cat("- p 值:用于检验每个系数是否显著不为零。如果 p 值小于 0.05,通常认为该系数在统计上是显著的。\n")

代码解释

Python 部分
  1. 数据生成 :使用 pandas 生成包含被试编号、实验条件和反应时的示例数据。
  2. 去除异常值 :定义 remove_outliers 函数,通过分组计算每个被试在每个实验条件下反应时的平均数和标准差,去除超过平均数 2.5 个标准差的值。
  3. 拟合模型 :使用 statsmodels 库的 OLS 函数拟合线性回归模型。
  4. 结果解释:打印模型结果并对模型中的各项指标进行解释。
R 语言部分
  1. 数据生成 :使用 set.seed 确保结果可重复,生成示例数据。
  2. 去除异常值 :定义 remove_outliers 函数,使用 dplyr 库的 group_bymutate 函数去除异常值。
  3. 拟合模型 :使用 lm 函数拟合线性回归模型。
  4. 结果解释:打印模型结果并对模型中的各项指标进行解释。
相关推荐
万粉变现经纪人2 分钟前
如何解决 pip install 安装报错 ImportError: cannot import name ‘xxx’ from ‘yyy’ 问题
python·selenium·测试工具·flask·scikit-learn·fastapi·pip
深栈2 分钟前
机器学习:线性回归
人工智能·pytorch·python·机器学习·线性回归·sklearn
simon_skywalker1 小时前
第三章 字典与集合
python
gc_22991 小时前
学习Python中Selenium模块的基本用法(18:使用ActionChains操作鼠标)
python·selenium
拾忆,想起1 小时前
AMQP协议深度解析:消息队列背后的通信魔法
java·开发语言·spring boot·后端·spring cloud
Lululaurel2 小时前
从静态图表到交互叙事:数据可视化的新范式与实现
python·信息可视化·数据分析·matplotlib·数据可视化
蒋星熠2 小时前
TensorFlow与PyTorch深度对比分析:从基础原理到实战选择的完整指南
人工智能·pytorch·python·深度学习·ai·tensorflow·neo4j
qq_340474022 小时前
0.1 tensorflow例1-梯度下降法
人工智能·python·tensorflow
紫钺-高山仰止2 小时前
【Pyzmq】python 跨进程线程通信 跨平台跨服务器通信
服务器·python·github
林烈涛2 小时前
js判断变量是数组还是对象
开发语言·前端·javascript