Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie man eine st\u00fcckweise Regression in R durchf\u00fchrt.<\/span><\/p>\n Erstellen wir zun\u00e4chst den folgenden Datenrahmen:<\/span><\/p>\n Als N\u00e4chstes erstellen wir ein Streudiagramm zur Visualisierung der Daten:<\/span> <\/p>\n Wir k\u00f6nnen sehen, dass sich die Beziehung zwischen x und y um x = 9<\/strong> herum abrupt zu \u00e4ndern scheint.<\/span><\/p>\n Wir k\u00f6nnen die Funktion segmented()<\/strong> aus dem Segmented-<\/a> Paket in R verwenden, um ein st\u00fcckweises Regressionsmodell an unseren Datensatz anzupassen:<\/span><\/p>\n Die segmented()-<\/strong> Funktion erkennt einen Haltepunkt bei x = 8,762.<\/span><\/p>\n Das angepasste st\u00fcckweise Regressionsmodell lautet:<\/span><\/p>\n Wenn x \u2264 8,762: y = 0,32143 + 1,59524*(x)<\/span><\/p>\n Wenn x > 8,762: y = 0,32143 + 1,59524*(8,762) + (1,59524+2,40476)*(x-8,762)<\/span><\/p>\n Angenommen, wir haben einen Wert von x = 5<\/strong> . Der gesch\u00e4tzte Wert w\u00e4re:<\/span><\/p>\n Oder nehmen wir an, wir haben einen Wert von x = 12<\/strong> . Der gesch\u00e4tzte Wert w\u00e4re:<\/span><\/p>\n Wir k\u00f6nnen den folgenden Code verwenden, um das endg\u00fcltige st\u00fcckweise Regressionsmodell auf unseren Originaldaten zu visualisieren:<\/span> <\/p>\n Es scheint, dass das st\u00fcckweise Regressionsmodell recht gut zu den Daten passt.<\/span><\/p>\n Die folgenden Tutorials bieten zus\u00e4tzliche Informationen zu Regressionsmodellen in R:<\/span><\/p>\n So f\u00fchren Sie eine einfache lineare Regression in R durch<\/a> Die st\u00fcckweise Regression ist eine Regressionsmethode, die wir h\u00e4ufig verwenden, wenn es in einem Datensatz klare \u201eHaltepunkte\u201c gibt. Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie man eine st\u00fcckweise Regression in R durchf\u00fchrt. Schritt 1: Erstellen Sie die Daten Erstellen wir zun\u00e4chst den folgenden Datenrahmen: #view DataFrame df <- data. frame (x=c(1, 2, 3, 4, 5, 6, 7, […]<\/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 Schritt 1: Erstellen Sie die Daten<\/strong><\/span><\/h3>\n
#view DataFrame\n<\/span>df <- data. frame<\/span> (x=c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16),\n y=c(2, 4, 5, 6, 8, 10, 12, 13, 15, 19, 24, 28, 31, 34, 39, 44))\n\n#view first six rows of data frame<\/span>\nhead(df)\n\n xy\n1 1 2\n2 2 4\n3 3 5\n4 4 6\n5 5 8\n6 6 10\n<\/strong><\/pre>\n Schritt 2: Visualisieren Sie die Daten<\/strong><\/span><\/h3>\n
#create scatterplot of x vs. y\n<\/span>plot(df$x, df$y, pch= 16<\/span> , col=' steelblue<\/span> ')\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/seg1.png\")
<\/p>\n Schritt 3: Passen Sie das st\u00fcckweise Regressionsmodell an<\/strong><\/span><\/h3>\n
library<\/span> (segmented)\n\n#fit simple linear regression model<\/span>\nfit <- lm(y ~ x, data=df)\n\n#fit piecewise regression model to original model, estimating a breakpoint at x=9\n<\/span>segmented. fit<\/span> <- segmented(fit, seg.Z = ~x, psi= 9<\/span> )\n\n#view summary of segmented model\n<\/span>summary( segmented.fit<\/span> )\n\nCall: \nsegmented.lm(obj = fit, seg.Z = ~x, psi = 9)\n\nEstimated Break-Point(s):\n East. St.Err\npsi1.x 8.762 0.26\n\nMeaningful coefficients of the linear terms:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 0.32143 0.48343 0.665 0.519 \nx 1.59524 0.09573 16.663 1.16e-09 ***\nU1.x 2.40476 0.13539 17.762 NA \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 0.6204 on 12 degrees of freedom\nMultiple R-Squared: 0.9983, Adjusted R-squared: 0.9978 \n\nConvergence achieved in 2 iter. (rel. changes 0)\n<\/strong><\/pre>\n\n
\n
Schritt 4: Visualisieren Sie das endg\u00fcltige st\u00fcckweise Regressionsmodell<\/strong><\/span><\/h3>\n
#plot original data<\/span>\nplot(df$x, df$y, pch= 16<\/span> , col=' steelblue<\/span> ')\n\n#add segmented regression model<\/span>\nplot(segmented. fit<\/span> , add= T<\/span> )\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/seg2.png\")
<\/p>\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 Quantilregression in R durch<\/a>
So f\u00fchren Sie eine gewichtete Regression in R durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"