{"id":1312,"date":"2023-07-26T22:05:53","date_gmt":"2023-07-26T22:05:53","guid":{"rendered":"https:\/\/statorials.org\/de\/zeichnen-sie-die-multiple-lineare-regression-in-r\/"},"modified":"2023-07-26T22:05:53","modified_gmt":"2023-07-26T22:05:53","slug":"zeichnen-sie-die-multiple-lineare-regression-in-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/de\/zeichnen-sie-die-multiple-lineare-regression-in-r\/","title":{"rendered":"So zeichnen sie mehrere lineare regressionsergebnisse in r auf"},"content":{"rendered":"

<\/p>\n

\n

Wenn wir eine einfache lineare Regression<\/a> in R durchf\u00fchren, ist es einfach, die angepasste Regressionslinie zu visualisieren, da wir nur mit einer einzigen Pr\u00e4diktorvariablen und einer einzigen Antwortvariablen<\/a> arbeiten.<\/span><\/p>\n

Der folgende Code zeigt beispielsweise, wie man ein einfaches lineares Regressionsmodell an einen Datensatz anpasst und die Ergebnisse grafisch darstellt:<\/span> <\/p>\n

 #create dataset\n<\/span>data <- data.frame(x = c(1, 1, 2, 4, 4, 5, 6, 7, 7, 8, 9, 10, 11, 11),\n                   y = c(13, 14, 17, 23, 24, 25, 25, 24, 28, 32, 33, 35, 40, 41))\n\n#fit simple linear regression model\n<\/span>model <- lm(y ~ x, data = data)\n\n#create scatterplot of data\n<\/span>plot(data$x, data$y)\n\n#add fitted regression line\n<\/span>abline(model)\n<\/strong><\/pre>\n
\"Zeichnen<\/p>\n
 Stattdessen k\u00f6nnen wir Diagramme hinzugef\u00fcgter Variablen<\/strong> (manchmal auch \u201epartielle Regressionsdiagramme\u201c genannt) verwenden, bei denen es sich um einzelne Diagramme handelt, die die Beziehung zwischen der Antwortvariablen und einer Pr\u00e4diktorvariablen anzeigen und gleichzeitig das Vorhandensein anderer Pr\u00e4diktorvariablen im Modell kontrollieren<\/em> .<\/span><\/p>\n
 Das folgende Beispiel zeigt, wie man eine multiple lineare Regression in R durchf\u00fchrt und die Ergebnisse mithilfe angeh\u00e4ngter Variablendiagramme visualisiert.<\/span><\/p>\n
 Beispiel: Plotten mehrerer linearer Regressionsergebnisse in R<\/strong><\/span><\/h3>\n
 Angenommen, wir passen das folgende multiple lineare Regressionsmodell mithilfe des integrierten mtcars-<\/strong> Datensatzes an einen Datensatz in R an:<\/span><\/p>\n
 #fit multiple linear regression model\nmodel <- lm(mpg ~ disp + hp + drat, data = mtcars)\n<\/span>\n#view results of model\nsummary(model)\n\nCall:\nlm(formula = mpg ~ disp + hp + drat, data = mtcars)\n\nResiduals:\n    Min 1Q Median 3Q Max \n-5.1225 -1.8454 -0.4456 1.1342 6.4958 \n\nCoefficients:\n             Estimate Std. Error t value Pr(>|t|)   \n(Intercept) 19.344293 6.370882 3.036 0.00513 **\navailable -0.019232 0.009371 -2.052 0.04960 * \nhp -0.031229 0.013345 -2.340 0.02663 * \ndrat 2.714975 1.487366 1.825 0.07863 . \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.008 on 28 degrees of freedom\nMultiple R-squared: 0.775, Adjusted R-squared: 0.7509 \nF-statistic: 32.15 on 3 and 28 DF, p-value: 3.28e-09\n<\/span><\/span><\/strong><\/pre>\n
 Aus den Ergebnissen k\u00f6nnen wir ersehen, dass der p-Wert f\u00fcr jeden der Koeffizienten kleiner als 0,1 ist. Der Einfachheit halber gehen wir davon aus, dass jede der Pr\u00e4diktorvariablen signifikant ist und in das Modell einbezogen werden sollte.<\/span><\/p>\n
 Um Diagramme angeh\u00e4ngter Variablen zu erstellen, k\u00f6nnen wir die Funktion avPlots()<\/strong> aus dem Paket car<\/strong> verwenden:<\/span> <\/p>\n
 #load car package\nlibrary(car)\n<\/span>\n#produce added variable plots\navPlots(model)<\/span>\n<\/span><\/strong><\/pre>\n
\"Darstellung<\/p>\n
 So interpretieren Sie jede Handlung:<\/span><\/p>\n
 Wenn wir jedoch eine multiple lineare Regression durchf\u00fchren,<\/a> wird es schwierig, die Ergebnisse zu visualisieren, da es mehrere Pr\u00e4diktorvariablen gibt und wir nicht einfach eine Regressionslinie in einem 2D-Diagramm zeichnen k\u00f6nnen.<\/span><\/p>\n