Wenn wir eine lineare Regression durchf\u00fchren, m\u00f6chten wir normalerweise den Durchschnittswert der Antwortvariablen sch\u00e4tzen.<\/span><\/p>\n Wir k\u00f6nnten jedoch stattdessen eine Methode namens Quantilregression<\/strong> verwenden, um einen beliebigen<\/em> Quantil- oder Perzentilwert des Antwortwerts zu sch\u00e4tzen, beispielsweise das 70. Perzentil, das 90. Perzentil, das 98. Perzentil usw.<\/span><\/p>\n Um eine Quantilregression in R durchzuf\u00fchren, k\u00f6nnen wir die Funktion rq()<\/strong> aus dem Paket quantreg<\/a> verwenden, die die folgende Syntax verwendet:<\/span><\/p>\n Gold:<\/span><\/p>\n Dieses Tutorial bietet ein schrittweises Beispiel f\u00fcr die Verwendung dieser Funktion zur Durchf\u00fchrung einer Quantilregression in R.<\/span><\/p>\n F\u00fcr dieses Beispiel erstellen wir einen Datensatz mit den Lernstunden und Pr\u00fcfungsergebnissen von 100 verschiedenen Studenten einer Universit\u00e4t:<\/span><\/p>\n Als N\u00e4chstes passen wir ein Quantil-Regressionsmodell an, wobei wir die untersuchten Stunden als Pr\u00e4diktorvariable und die Pr\u00fcfungsergebnisse als Antwortvariable verwenden.<\/span><\/p>\n Wir werden das Modell verwenden, um das erwartete 90. Perzentil der Pr\u00fcfungsergebnisse basierend auf der Anzahl der gelernten Stunden vorherzusagen:<\/span><\/p>\n Aus dem Ergebnis k\u00f6nnen wir die gesch\u00e4tzte Regressionsgleichung erkennen:<\/span><\/p>\n 90. Perzentil-Pr\u00fcfungsergebnis = 60,25 + 2,437*(Stunden)<\/span><\/p>\n Beispielsweise sollte der 90. Perzentilwert f\u00fcr alle Sch\u00fcler, die 8 Stunden lernen, 79,75 betragen:<\/span><\/p>\n 90. Perzentil der Pr\u00fcfungspunktzahl = 60,25 + 2,437*(8) = 79,75<\/strong> .<\/span><\/p>\n Die Ausgabe zeigt auch die oberen und unteren Konfidenzgrenzen f\u00fcr den Schnittpunkt und die Zeiten der Pr\u00e4diktorvariablen an.<\/span><\/p>\n Wir k\u00f6nnen die Regressionsergebnisse auch visualisieren, indem wir ein Streudiagramm mit der angepassten Quantil-Regressionsgleichung \u00fcber dem Diagramm erstellen:<\/span> <\/p>\n Beachten Sie, dass diese angepasste Linie im Gegensatz zu einer herk\u00f6mmlichen linearen Regressionslinie nicht durch das Herzst\u00fcck der Daten verl\u00e4uft. Stattdessen durchl\u00e4uft es das gesch\u00e4tzte 90. Perzentil auf jeder Ebene der Pr\u00e4diktorvariablen.<\/span><\/p>\n Wir k\u00f6nnen den Unterschied zwischen der angepassten Quantilregressionsgleichung und der einfachen linearen Regressionsgleichung erkennen, indem wir das Argument geom_smooth()<\/strong> hinzuf\u00fcgen:<\/span> <\/p>\n Die schwarze Linie zeigt die f\u00fcr das 90. Perzentil angepasste Quantil-Regressionslinie und die blaue Linie zeigt die einfache lineare Regressionslinie, die den Mittelwert der Antwortvariablen sch\u00e4tzt.<\/span><\/p>\n Wie erwartet verl\u00e4uft die einfache lineare Regressionslinie durch die Daten und zeigt uns den gesch\u00e4tzten Mittelwert der Pr\u00fcfungsergebnisse auf jeder Stundenebene.<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie Sie andere h\u00e4ufige Aufgaben in R ausf\u00fchren:<\/span><\/p>\n So f\u00fchren Sie eine einfache lineare Regression in R durch<\/a> Die lineare Regression ist eine Methode, mit der wir die Beziehung zwischen einer oder mehreren Pr\u00e4diktorvariablen und einer Antwortvariablen verstehen k\u00f6nnen. Wenn wir eine lineare Regression durchf\u00fchren, m\u00f6chten wir normalerweise den Durchschnittswert der Antwortvariablen sch\u00e4tzen. Wir k\u00f6nnten jedoch stattdessen eine Methode namens Quantilregression verwenden, um einen beliebigen Quantil- oder Perzentilwert des Antwortwerts zu sch\u00e4tzen, beispielsweise […]<\/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 library<\/span> (quantreg)\n\nmodel <- rq(y ~ x, data = dataset, tau = 0.5<\/span> )\n<\/strong><\/pre>\n\n
Schritt 1: Geben Sie die Daten ein<\/strong><\/span><\/h2>\n
#make this example reproducible\n<\/span>set.seed(0)\n\n#create data frame<\/span> \nhours <- runif(100, 1, 10)\nscore <- 60 + 2*hours + rnorm(100, mean=0, sd=.45*hours)\ndf <- data.frame(hours, score)\n\n#view first six rows<\/span>\nhead(df)\n\n hours score\n1 9.070275 79.22682\n2 3.389578 66.20457\n3 4.349115 73.47623\n4 6.155680 70.10823\n5 9.173870 78.12119\n6 2.815137 65.94716\n<\/strong><\/pre>\n Schritt 2: Quantilregression durchf\u00fchren<\/strong><\/span><\/h2>\n
library<\/span> (quantreg)\n\n#fit model\n<\/span>model <- rq(score ~ hours, data = df, tau = 0.9<\/span> )\n\n#view summary of model\n<\/span>summary(model)\n\nCall: rq(formula = score ~ hours, tau = 0.9, data = df)\n\ntau: [1] 0.9\n\nCoefficients:\n coefficients lower bd upper bd\n(Intercept) 60.25185 59.27193 62.56459\nhours 2.43746 1.98094 2.76989\n<\/strong><\/pre>\n Schritt 3: Visualisieren Sie die Ergebnisse<\/strong><\/span><\/h2>\n
library<\/span> (ggplot2)\n\n#create scatterplot with quantile regression line\n<\/span>ggplot(df, aes(hours,score)) +\n geom_point() + \n geom_abline(intercept= coef<\/span> (model)[1], slope= coef<\/span> (model)[2])<\/strong> <\/pre>\n![\"Beispiel](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quantileregr1.png\")
<\/p>\n library<\/span> (ggplot2)\n\n#create scatterplot with quantile regression line and<\/em> simple linear regression line\n<\/span>ggplot(df, aes(hours,score)) +\n geom_point() + \n geom_abline(intercept= coef<\/span> (model)[1], slope= coef<\/span> (model)[2]) +\n geom_smooth(method=\" lm<\/span> \", se= F<\/span> )<\/strong> <\/pre>\n![\"Quantilregression](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quantileregr2.png\")
<\/p>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So f\u00fchren Sie eine multiple lineare Regression in R durch<\/a>
So f\u00fchren Sie eine quadratische Regression in R durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"