Um die Methode der kleinsten Quadrate zum Anpassen einer Regressionslinie in R zu verwenden, k\u00f6nnen wir die Funktion lm()<\/strong> verwenden.<\/span><\/p>\n Diese Funktion verwendet die folgende grundlegende Syntax:<\/span><\/p>\n Das folgende Beispiel zeigt, wie diese Funktion in R verwendet wird.<\/span><\/p>\n Angenommen, wir haben den folgenden Datenrahmen in R, der die Anzahl der gelernten Stunden und das entsprechende Pr\u00fcfungsergebnis f\u00fcr 15 Sch\u00fcler einer Klasse anzeigt:<\/span><\/p>\n Mit der Funktion lm()<\/strong> k\u00f6nnen wir mithilfe der Methode der kleinsten Quadrate eine Regressionslinie an diese Daten anpassen:<\/span><\/p>\n Aus den Werten in der Spalte \u201eGesch\u00e4tztes<\/strong> Ergebnis\u201c k\u00f6nnen wir die folgende angepasste Regressionslinie schreiben:<\/span><\/p>\n Pr\u00fcfungsergebnis = 65,334 + 1,982 (Stunden)<\/span><\/p>\n So interpretieren Sie jeden Koeffizienten im Modell:<\/span><\/p>\n Mithilfe dieser Gleichung k\u00f6nnen wir die Pr\u00fcfungsnote absch\u00e4tzen, die ein Student auf der Grundlage seiner gelernten Stunden erhalten wird.<\/span><\/p>\n Wenn ein Student beispielsweise 5 Stunden lernt, w\u00fcrden wir sch\u00e4tzen, dass sein Pr\u00fcfungsergebnis 75,244 betr\u00e4gt:<\/span><\/p>\n Pr\u00fcfungsergebnis = 65,334 + 1,982(5) = 75,244<\/span><\/p>\n Schlie\u00dflich k\u00f6nnen wir ein Streudiagramm der Originaldaten erstellen, wobei die angepasste Regressionslinie dem Diagramm \u00fcberlagert ist:<\/span> <\/p>\n Die blauen Kreise stellen die Daten dar und die schwarze Linie stellt die angepasste Regressionslinie dar.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie andere h\u00e4ufige Aufgaben in R ausf\u00fchren:<\/span><\/p>\n So erstellen Sie ein Residuendiagramm in R<\/a> Die Methode der kleinsten Quadrate ist eine Methode, mit der wir die Regressionslinie finden k\u00f6nnen, die am besten zu einem bestimmten Datensatz passt. Um die Methode der kleinsten Quadrate zum Anpassen einer Regressionslinie in R zu verwenden, k\u00f6nnen wir die Funktion lm() verwenden. Diese Funktion verwendet die folgende grundlegende Syntax: model <- lm(response ~ predictor, […]<\/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 model <- lm(response ~ predictor, data=df)\n<\/strong><\/pre>\n
Beispiel: Methode der kleinsten Quadrate in R<\/strong><\/span><\/h2>\n
#create data frame\n<\/span>df <- data. frame<\/span> (hours=c(1, 2, 4, 5, 5, 6, 6, 7, 8, 10, 11, 11, 12, 12, 14),\n score=c(64, 66, 76, 73, 74, 81, 83, 82, 80, 88, 84, 82, 91, 93, 89))\n\n#view first six rows of data frame\n<\/span>head(df)\n\n hours score\n1 1 64\n2 2 66\n3 4 76\n4 5 73\n5 5 74\n6 6 81\n<\/strong><\/pre>\n #use method of least squares to fit regression line\n<\/span>model <- lm(score ~ hours, data=df)\n\n#view regression model summary<\/span>\nsummary(model)\n\nCall:\nlm(formula = score ~ hours, data = df)\n\nResiduals:\n Min 1Q Median 3Q Max \n-5,140 -3,219 -1,193 2,816 5,772 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 65,334 2,106 31,023 1.41e-13 ***\nhours 1.982 0.248 7.995 2.25e-06 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.641 on 13 degrees of freedom\nMultiple R-squared: 0.831, Adjusted R-squared: 0.818 \nF-statistic: 63.91 on 1 and 13 DF, p-value: 2.253e-06\n<\/strong><\/pre>\n\n
#create scatter plot of data\n<\/span>plot(df$hours, df$score, pch=16, col=' steelblue<\/span> ')\n\n#add fitted regression line to scatter plot\n<\/span>abline(model)\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/methode1.jpg\")
<\/p>\n Zus\u00e4tzliche Ressourcen<\/span><\/strong><\/h2>\n
So testen Sie die Multikollinearit\u00e4t in R<\/a>
So f\u00fchren Sie eine Kurvenanpassung in R durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"