lab4ind

# данные за 2010 год
T<-read.table("data.txt", header=TRUE, sep="\t", dec = ",", encoding = "UTF-8")
T
plot(T$salary, y=T$milk, xlab="средняя зарплата", ylab="цена на молоко")
T<-T[-which(T$milk>50 & T$salary <30000),c(1:3)]
T<-T[-which(T$milk>40 & T$salary <20000),c(1:3)]
# T<-T[-which(T$salary >40000),c(1:3)] при этом корреляция уменьшается
plot(T$salary, y=T$milk, xlab="средняя зарплата", ylab="цена на молоко")
cor(T$milk, T$salary) # Корреляция Пиросона средняя
cor(T$milk, T$salary, method = "spearman") # Спирмена ещё меньше
cor(T$milk, T$salary, method = "kendall") # Кендалла
cor.test(T$milk, T$salary) # Проверить значимость коэффициента корреляции
# p-value < 0,1 значим, средняя зависимость между зарплатами и ценами на молоко
# Построим линейную регрессию
regMS<-lm(formula=T$milk ~T$salary)
summary(regMS)
# Оба коэффициента значимы
format(coef(regMS), digits =5)
# y = 1.7835e+01 + 7.0874e-04*x + eps
# с удалением выбросов y = 1.6569e+01 + 7.6062e-04*x + eps
abline(regMS, col="red")

# Анализ остатков
mean(regMS$residuals) # Мат. ожидание = 0
plot(regMS$residuals, main="График остатков", xlab="Номер наблюдения",
     ylab="Остатки")
abline(h=0) # изначально /\/\ , после удаления выбросов зависимость осталась
# но выражена меньше
library("forecast") # подключить библиотеку forecast
accuracy(regMS) # вывод оценок качества регрессии, в том числе MAPE
# MAPE 11.7 %

# Из-за зависимости графика остатков регрессию
# нельзя использовать для прогнозирования
# Зависимость линейная