<\/p>\n
Das Bayes’sche Informationskriterium<\/strong> , oft als BIC<\/strong> abgek\u00fcrzt, ist ein Ma\u00df zum Vergleich der Anpassungsg\u00fcte verschiedener Regressionsmodelle.<\/span><\/p>\n In der Praxis passen wir mehrere Regressionsmodelle an denselben Datensatz an und w\u00e4hlen das Modell mit dem niedrigsten BIC-Wert als das Modell aus, das am besten zu den Daten passt.<\/span><\/p>\n Zur Berechnung des BIC verwenden wir folgende Formel:<\/span><\/p>\n BIC:<\/strong> (RSS+log(n)d\u03c3\u0302 2<\/sup> ) \/ n<\/span><\/p>\n Gold:<\/span><\/p>\n Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie BIC-Werte f\u00fcr Regressionsmodelle in R berechnet werden.<\/span><\/p>\n F\u00fcr dieses Beispiel verwenden wir den integrierten mtcars<\/strong> -Datensatz:<\/span><\/p>\n Als N\u00e4chstes werden wir mithilfe dieses Datensatzes verschiedene Regressionsmodelle anpassen:<\/span><\/p>\n Um den BIC-Wert f\u00fcr jedes Modell zu berechnen, k\u00f6nnen wir die Funktion BIC()<\/strong> aus dem Flexmix-<\/strong> Paket verwenden:<\/span><\/p>\n Wir k\u00f6nnen die BIC-Werte f\u00fcr jedes Modell sehen:<\/span><\/p>\n Da Modell 3 den niedrigsten BIC-Wert aufweist, w\u00e4hlen wir es als das Modell aus, das am besten zum Datensatz passt.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie g\u00e4ngige Regressionsmodelle in R angepasst werden:<\/span><\/p>\n So f\u00fchren Sie eine einfache lineare Regression in R durch<\/a> Das Bayes’sche Informationskriterium , oft als BIC abgek\u00fcrzt, ist ein Ma\u00df zum Vergleich der Anpassungsg\u00fcte verschiedener Regressionsmodelle. In der Praxis passen wir mehrere Regressionsmodelle an denselben Datensatz an und w\u00e4hlen das Modell mit dem niedrigsten BIC-Wert als das Modell aus, das am besten zu den Daten passt. Zur Berechnung des BIC verwenden wir folgende Formel: […]<\/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\n
Schritt 1: Daten anzeigen<\/strong><\/span><\/h3>\n
#view first six rows of mtcars dataset\nhead(mtcars)<\/span>\n<\/span>mpg cyl disp hp drat wt qsec vs am gear carb\nMazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4\nMazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4\nDatsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1\nHornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1\nHornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2\nValiant 18.1 6 225 105 2.76 3,460 20.22 1 0 3 1\n<\/strong><\/pre>\n Schritt 2: Installieren Sie mehrere Vorlagen<\/strong><\/span><\/h3>\n
#fit three different regression models\nmodel1 <- lm(mpg ~ disp + hp, data = mtcars)<\/span>\nmodel2 <- lm(mpg ~ disp + qsec, data = mtcars)<\/span>\nmodel3 <- lm(mpg ~ disp + wt, data = mtcars)<\/span>\n<\/span><\/strong><\/pre>\n Schritt 3: W\u00e4hlen Sie das Modell mit dem niedrigsten BIC<\/strong><\/span><\/h3>\n
library<\/span> (flexmix)\n\n#calculate BIC of model1\n<\/span>BIC(model1)\n\n[1] 174.4815\n\n#calculate BIC of model2\n<\/span>BIC(model2)\n\n[1] 177.7048\n\n#calculate BIC of model3\n<\/span>BIC(model3)\n\n[1] 170.0307\n<\/span><\/span><\/strong><\/pre>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie eine multiple lineare Regression in R durch<\/a>
So f\u00fchren Sie eine logistische Regression in R durch
So f\u00fchren Sie eine gewichtete Regression der kleinsten Quadrate in R durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"