<\/p>\n
Um ein lineares Regressionsmodell<\/a> in R anzupassen, k\u00f6nnen wir den Befehl lm()<\/strong> verwenden.<\/span><\/p>\n Um die Ausgabe des Regressionsmodells anzuzeigen, k\u00f6nnen wir dann den Befehl summary()<\/strong> verwenden.<\/span><\/p>\n In diesem Tutorial wird erl\u00e4utert, wie die einzelnen Werte der Regressionsausgabe in R interpretiert werden.<\/span><\/p>\n Der folgende Code zeigt, wie ein multiples lineares Regressionsmodell mit dem integrierten mtcars-<\/strong> Datensatz angepasst wird, wobei hp<\/em> , drat<\/em> und wt<\/em> als Pr\u00e4diktorvariablen und mpg<\/em> als Antwortvariable verwendet werden:<\/span><\/p>\n So interpretieren Sie jeden Wert in der Ausgabe:<\/span><\/p>\n Dieser Abschnitt erinnert uns an die Formel, die wir in unserem Regressionsmodell verwendet haben. Wir k\u00f6nnen sehen, dass wir mpg<\/strong> als Antwortvariable und hp<\/strong> , drat<\/strong> und wt<\/strong> als Pr\u00e4diktorvariablen verwendet haben. Jede Variable stammte aus dem Datensatz namens mtcars<\/strong> .<\/span><\/p>\n In diesem Abschnitt wird eine Zusammenfassung der Verteilung der Residuen aus dem Regressionsmodell angezeigt. Denken Sie daran, dass ein Residuum die Differenz zwischen dem beobachteten Wert und dem vorhergesagten Wert des Regressionsmodells ist.<\/span><\/p>\n Das minimale Residuum betrug -3,3598<\/strong> , das mittlere Residuum -0,5099<\/strong> und das maximale Residuum 5,7078<\/strong> .<\/span><\/p>\n In diesem Abschnitt werden die gesch\u00e4tzten Koeffizienten des Regressionsmodells angezeigt. Wir k\u00f6nnen diese Koeffizienten verwenden, um die folgende gesch\u00e4tzte Regressionsgleichung zu bilden:<\/span><\/p>\n mpg = 29,39 \u2013 0,03*PS + 1,62*Drat \u2013 3,23*Gewicht<\/span><\/p>\n F\u00fcr jede Pr\u00e4diktorvariable erhalten wir die folgenden Werte:<\/span><\/p>\n Sch\u00e4tzung:<\/strong> der gesch\u00e4tzte Koeffizient. Dies zeigt uns den durchschnittlichen Anstieg der Antwortvariablen, der mit einem Anstieg der Pr\u00e4diktorvariablen um eine Einheit einhergeht, vorausgesetzt, dass alle anderen Pr\u00e4diktorvariablen konstant bleiben.<\/span><\/p>\n Standard.<\/strong> Fehler<\/strong> : Dies ist der Standardfehler des Koeffizienten. Dies ist ein Ma\u00df f\u00fcr die Unsicherheit unserer Sch\u00e4tzung des Koeffizienten.<\/span><\/p>\n t-Wert:<\/strong> Dies ist die t-Statistik f\u00fcr die Pr\u00e4diktorvariable, berechnet als (Sch\u00e4tzung) \/ (Standardfehler).<\/span><\/p>\n Pr(>|t|):<\/strong> Dies ist der p-Wert, der der t-Statistik entspricht. Liegt dieser Wert unter einem bestimmten Alpha-Wert (z. B. 0,05), gilt die Vorhersagevariable als statistisch signifikant.<\/span><\/p>\n Wenn wir einen Alpha-Wert von \u03b1 = 0,05 verwenden w\u00fcrden, um zu bestimmen, welche Pr\u00e4diktoren in diesem Regressionsmodell signifikant waren, w\u00fcrden wir sagen, dass hp<\/strong> und wt<\/strong> statistisch signifikante Pr\u00e4diktoren sind, drat<\/strong> hingegen nicht.<\/span><\/p>\n In diesem letzten Abschnitt werden verschiedene Zahlen angezeigt, die uns helfen zu beurteilen, wie gut das Regressionsmodell zu unserem Datensatz passt.<\/span><\/p>\n Reststandardfehler:<\/strong> Dieser gibt uns den durchschnittlichen Abstand zwischen den beobachteten Werten und der Regressionsgeraden an. Je kleiner der Wert, desto besser kann das Regressionsmodell die Daten anpassen.<\/span><\/p>\n Freiheitsgrade werden als nk-1 berechnet, wobei n = Gesamtzahl der Beobachtungen und k = Zahl der Pr\u00e4diktoren. In diesem Beispiel hat mtcars 32 Beobachtungen und wir haben 3 Pr\u00e4diktoren im Regressionsmodell verwendet, sodass die Freiheitsgrade 32 \u2013 3 \u2013 1 = 28 sind.<\/span><\/p>\n Multiples R-Quadrat:<\/strong> Dies wird als Bestimmtheitsma\u00df bezeichnet. Es sagt uns, wie viel der Varianz der Antwortvariablen<\/a> durch die Pr\u00e4diktorvariablen erkl\u00e4rt werden kann.<\/span><\/p>\n Dieser Wert liegt zwischen 0 und 1. Je n\u00e4her er bei 1 liegt, desto besser k\u00f6nnen die Pr\u00e4diktorvariablen den Wert der Antwortvariablen vorhersagen.<\/span><\/p>\n Angepasstes R-Quadrat:<\/strong> Dies ist eine modifizierte Version des R-Quadrats, die basierend auf der Anzahl der Pr\u00e4diktoren im Modell angepasst wurde. Es ist immer kleiner als R im Quadrat.<\/span><\/p>\n Das angepasste R-Quadrat kann n\u00fctzlich sein, um die Anpassung verschiedener Regressionsmodelle zu vergleichen, die eine unterschiedliche Anzahl von Pr\u00e4diktorvariablen verwenden.<\/span><\/p>\n F-Statistik:<\/strong> Gibt an, ob das Regressionsmodell eine bessere Anpassung an die Daten bietet als ein Modell, das keine unabh\u00e4ngigen Variablen enth\u00e4lt. Im Wesentlichen wird getestet, ob das Regressionsmodell als Ganzes n\u00fctzlich ist.<\/span><\/p>\n p-Wert:<\/strong> Dies ist der p-Wert, der der F-Statistik entspricht. Liegt dieser Wert unter einem bestimmten Signifikanzniveau (z. B. 0,05), passt das Regressionsmodell besser zu den Daten als ein Modell ohne Pr\u00e4diktoren.<\/span><\/p>\n Bei der Erstellung von Regressionsmodellen hoffen wir, dass dieser p-Wert unter einem bestimmten Signifikanzniveau liegt, da er anzeigt, dass die Pr\u00e4diktorvariablen tats\u00e4chlich f\u00fcr die Vorhersage des Werts der Antwortvariablen n\u00fctzlich sind.<\/span><\/p>\n So f\u00fchren Sie eine einfache lineare Regression in R durch<\/a> Um ein lineares Regressionsmodell in R anzupassen, k\u00f6nnen wir den Befehl lm() verwenden. Um die Ausgabe des Regressionsmodells anzuzeigen, k\u00f6nnen wir dann den Befehl summary() verwenden. In diesem Tutorial wird erl\u00e4utert, wie die einzelnen Werte der Regressionsausgabe in R interpretiert werden. Beispiel: Interpretieren der Regressionsausgabe in R Der folgende Code zeigt, wie ein multiples lineares […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Beispiel: Interpretieren der Regressionsausgabe in R<\/strong><\/h3>\n
#fit regression model using hp, drat, and wt as predictors\n<\/span>model <- lm(mpg ~ hp + drat + wt, data = mtcars)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nlm(formula = mpg ~ hp + drat + wt, data = mtcars)\n\nResiduals:\n Min 1Q Median 3Q Max \n-3.3598 -1.8374 -0.5099 0.9681 5.7078 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 29.394934 6.156303 4.775 5.13e-05 ***\nhp -0.032230 0.008925 -3.611 0.001178 ** \ndrat 1.615049 1.226983 1.316 0.198755 \nwt -3.227954 0.796398 -4.053 0.000364 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 2.561 on 28 degrees of freedom\nMultiple R-squared: 0.8369, Adjusted R-squared: 0.8194 \nF-statistic: 47.88 on 3 and 28 DF, p-value: 3.768e-11\n<\/strong><\/pre>\n Anruf<\/strong><\/span><\/h3>\n
Call:\nlm(formula = mpg ~ hp + drat + wt, data = mtcars)<\/strong><\/pre>\n
R\u00fcckstand<\/strong><\/span><\/h3>\n
Residuals:\n Min 1Q Median 3Q Max \n-3.3598 -1.8374 -0.5099 0.9681 5.7078 \n<\/strong><\/pre>\n
Koeffizienten<\/strong><\/span><\/h3>\n
Coefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 29.394934 6.156303 4.775 5.13e-05 ***\nhp -0.032230 0.008925 -3.611 0.001178 ** \ndrat 1.615049 1.226983 1.316 0.198755 \nwt -3.227954 0.796398 -4.053 0.000364 ***\n\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n<\/strong><\/pre>\n
Bewertung der Modellangemessenheit<\/strong><\/span><\/h3>\n
Residual standard error: 2.561 on 28 degrees of freedom\nMultiple R-squared: 0.8369, Adjusted R-squared: 0.8194 \nF-statistic: 47.88 on 3 and 28 DF, p-value: 3.768e-11\n<\/strong><\/pre>\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie eine multiple lineare Regression in R durch<\/a>
Was ist ein guter R-Quadrat-Wert?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"