{{outline}}

!!!相関と回帰式
!相関係数
 > cor(Type, Token)
 [1] 0.889026

<<TypeとTokeは語数が増えると直線には回帰しないが、局所的にはほぼ直線で回帰できる。>>
詳しくは、TypeとToken 参照
!相関関係の検定
{{pre
 > cor.test(Type, Token)
 
         Pearson's product-moment correlation
 
 data:  Type and Token
 t = 32.665, df = 283, p-value < 2.2e-16
 alternative hypothesis: true correlation is not equal to 0
 95 percent confidence interval:
  0.8618637 0.9111023
 sample estimates:
     cor 
 0.889026 
}}
*p値は、相関が無いのに有ると間違える確率。
**p値が高ければ、間違っている確率が高くなる。<<アヤシイ>>
!相関関係の散布図と回帰直線

*Tokenがx軸、Typeがy軸
*y=ax+bの回帰直線
 > lm(Type ~ Token)
 
 Call:
 lm(formula = Type ~ Token)
 
 Coefficients:
 (Intercept)        Token  
      43.587        0.298  

 > plot(Token, Type)
*xとyが入れ替わる
 > abline(lm(Type ~ Token))

{{ref_image TokenType.png}}

!95％の予測区間
*予測 predict() する。区間 interval を「予測」に
 > pred.95 <- predict(lm(Type ~ Token), interval = "prediction")
*結果を保存したpred.95のデータををデータフレーム型に変更
 > pred.95 <- as.data.frame(pred.95)
*データをプロット
 > plot(Token, Type)
*フィット（回帰直線）を黒で描く
 > lines(Token, pred.95$fit, col = "black")
*上限値を赤で描く
 > lines(Token, pred.95$upr, col = "red")
*下限値を青で描く
 > lines(Token, pred.95$lwr, col = "blue")
{{ref_image pred95.png}}