So verwenden sie die funktion confit() in r

Sie können die Funktion conint() in R verwenden, um ein Konfidenzintervall für einen oder mehrere Parameter in einem angepassten Regressionsmodell zu berechnen.

Diese Funktion verwendet die folgende grundlegende Syntax:

conint(object, parm, level=0.95)

Gold:

• Objekt : Name des angepassten Regressionsmodells
• parm : Parameter, für die das Konfidenzintervall berechnet werden soll (Standard ist all)
• level : Zu verwendendes Konfidenzniveau (Standardwert ist 0,95)

Das folgende Beispiel zeigt, wie Sie diese Funktion in der Praxis nutzen können.

Beispiel: So verwenden Sie die Funktion confit() in R

Angenommen, wir haben den folgenden Datenrahmen in R, der die Anzahl der Lernstunden, die Anzahl der abgelegten Übungsprüfungen und die Abschlussprüfungsnote von 10 Schülern einer Klasse anzeigt:

 #create data frame
df <- data. frame (score=c(77, 79, 84, 85, 88, 99, 95, 90, 92, 94),
                 hours=c(1, 1, 2, 3, 2, 4, 4, 2, 3, 3),
                 prac_exams=c(2, 3, 3, 2, 4, 5, 4, 3, 5, 4))

#view data frame
df

   score hours prac_exams
1 77 1 2
2 79 1 3
3 84 2 3
4 85 3 2
5 88 2 4
6 99 4 5
7 95 4 4
8 90 2 3
9 92 3 5
10 94 3 4

Nehmen wir nun an, wir möchten das folgende multiple lineare Regressionsmodell in R anpassen:

Prüfungsergebnis = β ₀ + β ₁ (Stunden) + β ₂ (praktische Prüfungen)

Wir können die Funktion lm() verwenden, um dieses Modell anzupassen:

 #fit multiple linear regression model
fit <- lm(score ~ hours + prac_exams, data=df)

#view summary of model
summary(fit)

Call:
lm(formula = score ~ hours + prac_exams, data = df)

Residuals:
    Min 1Q Median 3Q Max 
-2.4324 -1.2632 -0.8956 0.4316 5.1412 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 68.4029 2.8723 23.815 5.85e-08 ***
hours 4.1912 0.9961 4.207 0.0040 ** 
prac_exams 2.6912 0.9961 2.702 0.0306 *  
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 2.535 on 7 degrees of freedom
Multiple R-squared: 0.9005, Adjusted R-squared: 0.8721 
F-statistic: 31.68 on 2 and 7 DF, p-value: 0.0003107

Beachten Sie, dass in der Modellzusammenfassung die angepassten Regressionskoeffizienten angezeigt werden:

• Schnittpunkt = 68,4029
• Stunden = 4,1912
• prac_exams = 2,6912

Um für jeden dieser Koeffizienten ein Konfidenzintervall von 95 % zu erhalten, können wir die Funktion conint() verwenden:

 #calculate 95% confidence interval for each coefficient in model
confined(fit)

                 2.5% 97.5%
(Intercept) 61.6111102 75.194772
hours 1.8357237 6.546629
prac_exams 0.3357237 5.046629

Das 95 %-Konfidenzintervall für jeden Parameter ist angegeben:

• 95 %-KI für Intercept = [61,61, 75,19]
• 95 %-KI für Stunden = [1,84, 6,55]
• 95 % KI für prac_exams = [0,34, 5,05]

Um ein 99 %-Konfidenzintervall zu berechnen, ändern Sie einfach den Wert des Level- Arguments:

 #calculate 99% confidence interval for each coefficient in model
confint(fit, level= 0.99 )

                 0.5% 99.5%
(Intercept) 58.3514926 78.454390
hours 0.7052664 7.677087
prac_exams -0.7947336 6.177087

Und um nur ein Konfidenzintervall für einen bestimmten Parameter zu berechnen, geben Sie einfach den Koeffizienten mit dem Argument parm an:

 #calculate 99% confidence interval for hours
confint(fit, parm=' hours ', level= 0.99 )

          0.5% 99.5%
hours 0.7052664 7.677087

Beachten Sie, dass das 99 %-Konfidenzintervall nur für die Variable „Stunden“ angezeigt wird.

Zusätzliche Ressourcen

Die folgenden Tutorials bieten zusätzliche Informationen zur linearen Regression in R:

So interpretieren Sie die Regressionsausgabe in R
So führen Sie eine einfache lineare Regression in R durch
So führen Sie eine multiple lineare Regression in R durch
So führen Sie eine logistische Regression in R durch