<\/p>\n
Sie k\u00f6nnen die folgenden Methoden verwenden, um Regressionskoeffizienten aus der glm()<\/strong> -Funktion in R zu extrahieren:<\/span><\/p>\n Methode 1: Extrahieren Sie alle Regressionskoeffizienten<\/strong><\/span><\/p>\n Methode 2: Extrahieren Sie den Regressionskoeffizienten f\u00fcr eine bestimmte Variable<\/strong><\/span><\/p>\n Methode 3: Extrahieren Sie alle Regressionskoeffizienten mit Standardfehler, Z-Wert und P-Wert<\/strong><\/span><\/p>\n Das folgende Beispiel zeigt, wie diese Methoden in der Praxis eingesetzt werden k\u00f6nnen.<\/span><\/p>\n Angenommen, wir passen ein logistisches Regressionsmodell<\/a> mithilfe des Standarddatensatzes<\/strong> aus dem ISLR-<\/strong> Paket an:<\/span><\/p>\n Wir k\u00f6nnen model$coefficients<\/strong> eingeben, um alle Regressionskoeffizienten aus dem Modell zu extrahieren:<\/span><\/p>\n Wir k\u00f6nnen auch model$coefficients[‚balance‘]<\/strong> eingeben, um den Regressionskoeffizienten nur f\u00fcr die Balance-<\/strong> Variable zu extrahieren:<\/span><\/span><\/p>\n Um die Regressionskoeffizienten zusammen mit ihren Standardfehlern, Z-Werten und P-Werten<\/a> anzuzeigen, k\u00f6nnen wir die summary(model)$-Koeffizienten<\/strong> wie folgt verwenden:<\/span><\/p>\n Wir k\u00f6nnen in dieser Ausgabe auch auf bestimmte Werte zugreifen.<\/span><\/p>\n Beispielsweise k\u00f6nnen wir den folgenden Code verwenden, um auf den p-Wert der Balance-<\/b> Variablen zuzugreifen:<\/span><\/p>\n Oder wir k\u00f6nnten den folgenden Code verwenden, um auf den p-Wert f\u00fcr jeden der Regressionskoeffizienten zuzugreifen:<\/span><\/p>\n F\u00fcr jeden Regressionskoeffizienten im Modell werden P-Werte angezeigt.<\/span><\/p>\n Sie k\u00f6nnen eine \u00e4hnliche Syntax verwenden, um auf jeden Wert in der Ausgabe zuzugreifen.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie andere h\u00e4ufige Aufgaben in R ausf\u00fchren:<\/span><\/p>\n So f\u00fchren Sie eine einfache lineare Regression in R durch<\/a> Sie k\u00f6nnen die folgenden Methoden verwenden, um Regressionskoeffizienten aus der glm() -Funktion in R zu extrahieren: Methode 1: Extrahieren Sie alle Regressionskoeffizienten model$coefficients Methode 2: Extrahieren Sie den Regressionskoeffizienten f\u00fcr eine bestimmte Variable model$coefficients[‚ my_variable ‚] Methode 3: Extrahieren Sie alle Regressionskoeffizienten mit Standardfehler, Z-Wert und P-Wert summary(model)$coefficients Das folgende Beispiel zeigt, wie diese Methoden […]<\/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$coefficients\n<\/strong><\/pre>\n
model$coefficients[' my_variable<\/span> ']<\/strong><\/pre>\n summary(model)$coefficients<\/strong><\/pre>\n
Beispiel: Regressionskoeffizienten aus glm() in R extrahieren<\/strong><\/span><\/h2>\n
#load dataset\n<\/span>data <- ISLR::Default\n\n#view first six rows of data\n<\/span>head(data)\n\n default student balance income\n1 No No 729.5265 44361.625\n2 No Yes 817.1804 12106.135\n3 No No 1073.5492 31767.139\n4 No No 529.2506 35704.494\n5 No No 785.6559 38463.496\n6 No Yes 919.5885 7491.559\n\n#fit logistic regression model\n<\/span>model <- glm(default~student+balance+income, family=' binomial<\/span> ', data=data)\n\n#view summary of logistic regression model\n<\/span>summary(model)\n\nCall:\nglm(formula = default ~ student + balance + income, family = \"binomial\", \n data = data)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-2.4691 -0.1418 -0.0557 -0.0203 3.7383 \n\nCoefficients:\n Estimate Std. Error z value Pr(>|z|) \n(Intercept) -1.087e+01 4.923e-01 -22.080 < 2e-16 ***\nstudentYes -6.468e-01 2.363e-01 -2.738 0.00619 ** \nbalance 5.737e-03 2.319e-04 24.738 < 2e-16 ***\nincome 3.033e-06 8.203e-06 0.370 0.71152 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\n(Dispersion parameter for binomial family taken to be 1)\n\n Null deviance: 2920.6 on 9999 degrees of freedom\nResidual deviance: 1571.5 on 9996 degrees of freedom\nAIC: 1579.5\n\nNumber of Fisher Scoring iterations: 8<\/strong><\/pre>\n #extract all regression coefficients\n<\/span>model$coefficients\n\n (Intercept) studentYes balance income \n-1.086905e+01 -6.467758e-01 5.736505e-03 3.033450e-06\n<\/strong><\/pre>\n #extract coefficient for 'balance'\n<\/span>model$coefficients[' balance<\/span> ']\n\n<\/span><\/span>balance \n0.005736505\n<\/strong><\/pre>\n #view regression coefficients with standard errors, z values and p-values\n<\/span>summary(model)$coefficients\n\n Estimate Std. Error z value Pr(>|z|)\n(Intercept) -1.086905e+01 4.922555e-01 -22.080088 4.911280e-108\nstudentYes -6.467758e-01 2.362525e-01 -2.737646 6.188063e-03\nbalance 5.736505e-03 2.318945e-04 24.737563 4.219578e-135\nincome 3.033450e-06 8.202615e-06 0.369815 7.115203e-01<\/strong><\/pre>\n #view p-value for balance variable\n<\/span>summary(model)$coefficients[' balance<\/span> ', ' Pr(>|z|)<\/span> ']\n\n[1] 4.219578e-135\n<\/strong><\/pre>\n #view p-value for all variables\n<\/span>summary(model)$coefficients[, ' Pr(>|z|)<\/span> ']\n\n (Intercept) studentYes balance income \n4.911280e-108 6.188063e-03 4.219578e-135 7.115203e-01 \n<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\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 quadratische Regression in R durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"