2000,1.403,0.645,0.758
2001,1.338,0.643,0.695
2002,1.286,0.641,0.645
2003,1.241,0.64,0.601
2004,1.229,0.642,0.587
2005,1.24,0.651,0.589
2006,1.209,0.681,0.528
2007,1.21,0.693,0.517
2008,1.214,0.706,0.508
2009,1.195,0.708,0.487
2010,1.19,0.711,0.479
2011,1.193,0.714,0.479
2012,1.21,0.715,0.495
2013,1.208,0.716,0.492
2014,1.237,0.716,0.521
2015,1.207,0.711,0.496
2016,1.295,0.709,0.586
2017,1.243,0.711,0.532
2018,1.094,0.713,0.381
2019,1.048,0.714,0.334
（数据自行复制吧）

<>一、任务目的:

<>二、任务要求:

1.数据描述性统计（平均数、标准差、中位数、偏态程度），体现数据特征，并对重要数据变量进行图表展示。
2.数据分析：明确通过数据分析要解决什么问题，运用什么分析思路、分析方法和模型，并最终得出总结性的结论或效果。
3.分析过程中，根据数据特征，解释为什么使用某某函数进行运算求解，并对运算得到的相关参数进行解读。

<>数据描述性统计

<>绘制带有箱线图、轴须线和密度估计的直方图

<>核密度图

<>时间序列图

<>数据分析

* 确定变量间的关系

* 有关于相关系数的计算与检验

* 回归模型与回归方程

arrows 函数用来在一张图表上添加箭头，只需要分别指定起始坐标和终止坐标，就可以添加箭头了，还可以通过一些属性对箭头的形状，大小进行调整.``
xo, yo 指定起始点的x和y坐标，x1, y1 指定终止点的x和y坐标
arrows(x0 = 1, y0 = 1, x1 = 4, y1 = 4)
x0, y0,x1,y1 支持一次设置多个值，同时画多个箭头
arrows(x0 = c(1, 1), y0 = c(1, 2), x1 = c(4, 4), y1 = c(4, 5))
length ： 该参数一次只能设置一个值，默认值为0.25， 为了调整不同箭头的大小，建议分别设置
par(mfrow = c(1,3)) plot(1:5, 1:5, xlim = c(0,6), ylim = c (0,6), type = "n",
main= "length = 0.1") arrows(x0 = 1, y0 = 1, x1 = 4, y1 = 4, length = 0.1) plot(
1:5, 1:5, xlim = c(0,6), ylim = c (0,6), type = "n", main = "length = 0.5")
arrows(x0 = 1, y0 = 1, x1 = 4, y1 = 4, length = 0.5) plot(1:5, 1:5, xlim = c(0,6
), ylim = c (0,6), type = "n", main = "length = 1") arrows(x0 = 1, y0 = 1, x1 =
4, y1 = 4, length = 1)

code : 调整箭头的类型，一共有1,2,3,4 共四种类型，该参数一次只能设置一个值
par(mfrow = c(1,3)) plot(1:5, 1:5, xlim = c(0,6), ylim = c (0,6), type = "n",
main= "code = 1") arrows(x0 = 1, y0 = 1, x1 = 4, y1 = 4, code = 1) plot(1:5, 1:5
, xlim = c(0,6), ylim = c (0,6), type = "n", main = "code = 2") arrows(x0 = 1,
y0= 1, x1 = 4, y1 = 4, code = 2) plot(1:5, 1:5, xlim = c(0,6), ylim = c (0,6),
type= "n", main = "code = 3") arrows(x0 = 1, y0 = 1, x1 = 4, y1 = 4, code = 3)

angle : 设置箭头的角度，默认值是45，该参数一次只能设置一个值
par(mfrow = c(1,3)) plot(1:5, 1:5, xlim = c(0,6), ylim = c (0,6), type = "n",
main= "angle = 15") arrows(x0 = 1, y0 = 1, x1 = 4, y1 = 4, length = 0.5, angle =
15) plot(1:5, 1:5, xlim = c(0,6), ylim = c (0,6), type = "n", main = "angle =
45") arrows(x0 = 1, y0 = 1, x1 = 4, y1 = 4, length = 0.5, angle = 45) plot(1:5,
1:5, xlim = c(0,6), ylim = c (0,6), type = "n", main = "angle = 60") arrows(x0 =
1, y0 = 1, x1 = 4, y1 = 4, length = 0.5, angle = 60)

<>模型的拟合优度（以出生率和死亡率为例）

<>残差的标准误

<>模型显著检验——线性关系检验（F检验）

#H0：不显著；H1:显著
#F=9.469 p=0.006496<0.05拒绝原假设，线性关系显著

<>回归系数检验与推断

H0：β1=0（自变量对因变量的影响不显著）；H1:β2≠0（显著)
t=-3.077 p=0.0065<0.05，拒绝原假设，自变量对因变量的影响显著

<>利用回归方程进行预测
#计算点预测值（pre_model）、置信区间（con_int）和预测区间（pre_int） model<-lm(人口出生率~人口死亡率,data=table
) x0<-table\$人口死亡率 pre_model<-predict(model) con_int<-predict(model,data.frame(

3]) pre

<>回归模型诊断
#计算预测值（pre）、残差（res）和标准化残差（zre）（出生率，死亡率） model<-lm(人口出生率~人口死亡率,data=table) pre<-
fitted(model) res<-residuals(model) zre<-model\$residuals/(sqrt(deviance(model)/
df.residual(model))) mysummary<-data.frame(人口出生率=table\$人口出生率,点预测值=pre,残差=res,

<>检验线性关系
#成分残差图 model_1<-lm(人口出生率~人口死亡率,data=table) library(car) par(mai=c(.7,.7,.1,.1),
cex=.8) crPlots(model_1)#线性 #检验正态性 par(mfrow=c(2,2),cex=0.8,cex.main=0.7) plot(
model_1) #检验方差齐性 library(car) ncvTest(model_1) #绘制散布—水平图 spreadLevelPlot(model_1
) #检验残差独立性 library(car) durbinWatsonTest(model_1)