<\/p>\n
Sie k\u00f6nnen das Subset-<\/strong> Argument verwenden, um nur eine Teilmenge eines Datenrahmens zu verwenden, wenn Sie die Funktion lm()<\/a> verwenden, um ein Regressionsmodell in R anzupassen:<\/span><\/p>\n Dieses spezielle Beispiel entspricht einem Regressionsmodell, das Punkte<\/strong> als Antwortvariable und Menschenmengen<\/strong> und Minuten<\/strong> als Pr\u00e4diktorvariablen verwendet.<\/span><\/p>\n Das Subset-<\/strong> Argument gibt an, dass bei der Anpassung des Regressionsmodells nur Zeilen im Datenrahmen verwendet werden sollen, in denen die Minutenvariable<\/strong> gr\u00f6\u00dfer als 10 ist.<\/span><\/p>\n Das folgende Beispiel zeigt, wie diese Syntax in der Praxis verwendet wird.<\/span><\/p>\n Angenommen, wir haben den folgenden Datenrahmen in R, der Informationen \u00fcber die gespielten Minuten, die Gesamtzahl der Fouls und die Gesamtpunktzahl von 10 Basketballspielern enth\u00e4lt:<\/span><\/p>\n Angenommen, wir m\u00f6chten das folgende multiple lineare Regressionsmodell anpassen:<\/span><\/p>\n Punkte = \u03b2 0<\/sub> + \u03b2 1<\/sub> (Minuten) + \u03b2 2<\/sub> (Fouls)<\/strong><\/span><\/p>\n Nehmen wir jedoch an, wir m\u00f6chten nur die Zeilen im Datenrahmen verwenden, in denen die Minutenvariable<\/strong> gr\u00f6\u00dfer als 10 ist.<\/span><\/p>\n Wir k\u00f6nnen die Funktion lm()<\/strong> mit dem Argument subset<\/strong> verwenden, um dieses Regressionsmodell anzupassen:<\/span><\/p>\n Mit der Funktion nobs()<\/strong> k\u00f6nnen wir sehen, wie viele Beobachtungen aus dem Datenrahmen tats\u00e4chlich zur Anpassung an das Regressionsmodell verwendet wurden:<\/span><\/p>\n Wir k\u00f6nnen sehen, dass 8<\/strong> Zeilen des Datenrahmens zur Anpassung des Modells verwendet wurden.<\/span><\/p>\n Wenn wir uns den urspr\u00fcnglichen Datenrahmen ansehen, k\u00f6nnen wir sehen, dass genau 8<\/strong> Zeilen einen Wert gr\u00f6\u00dfer als 10 f\u00fcr die Minutenvariable<\/strong> hatten, was bedeutet, dass nur diese Zeilen bei der Anpassung des Regressionsmodells verwendet wurden.<\/span><\/p>\n Wir k\u00f6nnen auch den &<\/strong> -Operator im Subset-<\/strong> Argument verwenden, um den Datenrahmen basierend auf mehreren Bedingungen zu unterteilen.<\/span><\/p>\n Beispielsweise k\u00f6nnten wir die folgende Syntax verwenden, um ein Regressionsmodell anzupassen, das nur die Zeilen im Datenrahmen verwendet, in denen die Minuten<\/strong> gr\u00f6\u00dfer als 10 und die Fehler<\/strong> kleiner als 4 sind:<\/span><\/p>\n Aus dem Ergebnis k\u00f6nnen wir ersehen, dass 7<\/strong> Zeilen des Datenrahmens verwendet wurden, um dieses spezielle Modell anzupassen.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, 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> Sie k\u00f6nnen das Subset- Argument verwenden, um nur eine Teilmenge eines Datenrahmens zu verwenden, wenn Sie die Funktion lm() verwenden, um ein Regressionsmodell in R anzupassen: fit <- lm(points ~ fouls + minutes, data=df, subset=(minutes> 10 )) Dieses spezielle Beispiel entspricht einem Regressionsmodell, das Punkte als Antwortvariable und Menschenmengen und Minuten als Pr\u00e4diktorvariablen verwendet. Das […]<\/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 fit <- lm(points ~ fouls + minutes, data=df, subset=(minutes><\/span> 10<\/span> ))<\/span><\/strong><\/pre>\n Beispiel: So verwenden Sie eine Datenrahmen-Teilmenge mit lm() in R<\/strong><\/span><\/h2>\n
#create data frame\n<\/span>df <- data. frame<\/span> (minutes=c(5, 10, 13, 14, 20, 22, 26, 34, 38, 40),\n fouls=c(5, 5, 3, 4, 2, 1, 3, 2, 1, 1),\n points=c(6, 8, 8, 7, 14, 10, 22, 24, 28, 30))\n\n#view data frame\n<\/span>df\n\n minutes fouls points\n1 5 5 6\n2 10 5 8\n3 13 3 8\n4 14 4 7\n5 20 2 14\n6 22 1 10\n7 26 3 22\n8 34 2 24\n9 38 1 28\n10 40 1 30<\/strong><\/pre>\n #fit multiple linear regression model (only for rows where minutes>10)\n<\/span><\/strong>fit <- lm(points ~ fouls + minutes, data=df, subset=(minutes><\/span> 10<\/span> ))\n\n#view model summary<\/span>\nsummary(fit)\n\nCall:\nlm(formula = points ~ fouls + minutes, data = df, subset = (minutes > \n 10))\n\nResiduals:\n 3 4 5 6 7 8 9 10 \n 1.2824 -2.5882 2.2000 -1.9118 2.3588 -1.7176 0.1824 0.1941 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) -11.8353 4.9696 -2.382 0.063046 . \nfouls 1.8765 1.0791 1.739 0.142536 \nminutes 0.9941 0.1159 8.575 0.000356 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 2.255 on 5 degrees of freedom\nMultiple R-squared: 0.9574, Adjusted R-squared: 0.9404 \nF-statistic: 56.19 on 2 and 5 DF, p-value: 0.0003744\n<\/span><\/strong><\/pre>\n #view number of observations used to fit model\n<\/span>nobs(fit)\n\n[1] 8\n<\/span><\/span><\/strong><\/pre>\n #fit multiple linear regression model (only where minutes>10 & fouls<4)\n<\/span><\/strong>fit <- lm(points ~ fouls + minutes, data=df, subset=(minutes><\/span> 10 &<\/span> fouls< 4<\/span><\/span><\/span> ))\n\n#view number of observations used to fit model<\/span>\nnobs(fit)\n\n[1] 7\n<\/span><\/strong><\/pre>\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":"