<\/p>\n
Die lineare Regression ist eine Methode, mit der wir die Beziehung zwischen einer oder mehreren Pr\u00e4diktorvariablen und einer Antwortvariablen<\/a> quantifizieren k\u00f6nnen.<\/span><\/p>\n H\u00e4ufig m\u00f6chten Sie m\u00f6glicherweise ein Regressionsmodell anpassen, indem Sie eine oder mehrere kategoriale Variablen<\/a> als Pr\u00e4diktorvariablen verwenden.<\/span><\/p>\n Dieses Tutorial bietet ein schrittweises Beispiel f\u00fcr die Durchf\u00fchrung einer linearen Regression mit kategorialen Variablen in R.<\/span><\/p>\n Angenommen, wir haben den folgenden Datenrahmen in R, der Informationen zu drei Variablen f\u00fcr 12 verschiedene Basketballspieler enth\u00e4lt:<\/span><\/p>\n Angenommen, wir m\u00f6chten das folgende lineare Regressionsmodell anpassen:<\/span><\/p>\n Punkte = \u03b2 0<\/sub> + \u03b2 1<\/sub> Stunden + \u03b2 2<\/sub> Programm<\/strong><\/span><\/p>\n In diesem Beispiel sind Stunden eine kontinuierliche Variable, aber Programm ist eine kategoriale Variable<\/strong> , die drei m\u00f6gliche Kategorien annehmen kann: Programm 1, Programm 2 oder Programm 3.<\/span><\/p>\n Um dieses Regressionsmodell anzupassen und R mitzuteilen, dass die Variable \u201eProgramm\u201c eine kategoriale Variable ist, m\u00fcssen wir sie mit as.factor()<\/strong> in einen Faktor umwandeln und dann das Modell anpassen:<\/span><\/p>\n Aus den Werten in der Spalte \u201eSch\u00e4tzung\u201c<\/strong> k\u00f6nnen wir das angepasste Regressionsmodell schreiben:<\/span><\/p>\n Punkte = 6,3013 + 0,9744 (Stunden) + 2,2949 (Programm 2) + 6,8462 (Programm 3)<\/strong><\/span><\/p>\n So interpretieren Sie die Koeffizientenwerte im Ergebnis:<\/span><\/p>\n Mithilfe des angepassten Regressionsmodells k\u00f6nnen wir die Anzahl der von einem Spieler erzielten Punkte basierend auf der Gesamtzahl der Trainingsstunden und dem von ihm verwendeten Programm vorhersagen.<\/span><\/p>\n Beispielsweise k\u00f6nnen wir den folgenden Code verwenden, um die Punkte vorherzusagen, die ein Spieler erzielt hat, der 5 Stunden lang trainiert und Trainingsplan 3 verwendet hat:<\/span><\/p>\n Das Modell sagt voraus, dass dieser neue Spieler 18,01923<\/strong> Punkte erzielen wird.<\/span><\/p>\n Wir k\u00f6nnen best\u00e4tigen, dass dies korrekt ist, indem wir die Werte des neuen Spielers in die angepasste Regressionsgleichung einf\u00fcgen:<\/span><\/p>\n Dies entspricht dem Wert, den wir mit der Funktion \u201epredict()\u201c<\/strong> in R berechnet haben.<\/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 quantifizieren k\u00f6nnen. H\u00e4ufig m\u00f6chten Sie m\u00f6glicherweise ein Regressionsmodell anpassen, indem Sie eine oder mehrere kategoriale Variablen als Pr\u00e4diktorvariablen verwenden. Dieses Tutorial bietet ein schrittweises Beispiel f\u00fcr die Durchf\u00fchrung einer linearen Regression mit kategorialen Variablen in R. […]<\/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: Lineare Regression mit kategorialen Variablen in R<\/strong><\/span><\/h2>\n
\n
#create data frame\n<\/span>df <- data. frame<\/span> (points=c(7, 7, 9, 10, 13, 14, 12, 10, 16, 19, 22, 18),\n hours=c(1, 2, 2, 3, 2, 6, 4, 3, 4, 5, 8, 6),\n program=c(1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3))\n\n#view data frame\n<\/span>df\n\n points hours program\n1 7 1 1\n2 7 2 1\n3 9 2 1\n4 10 3 1\n5 13 2 2\n6 14 6 2\n7 12 4 2\n8 10 3 2\n9 16 4 3\n10 19 5 3\n11 22 8 3\n12 18 6 3<\/strong><\/pre>\n #convert 'program' to factor\ndf$program <- as. factor<\/span> (df$program)\n<\/span>\n#fit linear regression model\nfit <- lm(points ~ hours + program, data = df)\n<\/span>\n#view model summary\nsummary(fit)\n\nCall:\nlm(formula = points ~ hours + program, data = df)\n\nResiduals:\n Min 1Q Median 3Q Max \n-1.5192 -1.0064 -0.3590 0.8269 2.4551 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 6.3013 0.9462 6.660 0.000159 ***\nhours 0.9744 0.3176 3.068 0.015401 * \nprogram2 2.2949 1.1369 2.019 0.078234 . \nprogram3 6.8462 1.5499 4.417 0.002235 ** \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 1.403 on 8 degrees of freedom\nMultiple R-squared: 0.9392, Adjusted R-squared: 0.9164 \nF-statistic: 41.21 on 3 and 8 DF, p-value: 3.276e-05<\/span><\/span><\/strong><\/pre>\n\n
\n
\n
\n
#define new player\n<\/span>new <- data. frame<\/span> (hours=c(5), program=as. factor<\/span> (c(3)))\n\n#use the fitted model to predict the points for the new player\n<\/span>predict(fit, newdata=new)\n\n 1 \n18.01923 \n<\/strong><\/pre>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So f\u00fchren Sie eine multiple lineare Regression in R durch<\/a>
So erstellen Sie ein Residuendiagramm in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"