Personnaliser les préférences

Nous utilisons des cookies pour vous aider à naviguer efficacement et à exécuter certaines fonctions. Vous trouverez ci-dessous des informations détaillées sur tous les cookies sous chaque catégorie de consentement.

Les cookies classés comme « Nécessaires » sont stockés sur votre navigateur car ils sont essentiels pour activer les fonctionnalités de base du site.... 

Toujours actif

Necessary cookies are required to enable the basic features of this site, such as providing secure log-in or adjusting your consent preferences. These cookies do not store any personally identifiable data.

Aucun cookie à afficher.

Functional cookies help perform certain functionalities like sharing the content of the website on social media platforms, collecting feedback, and other third-party features.

Aucun cookie à afficher.

Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics such as the number of visitors, bounce rate, traffic source, etc.

Aucun cookie à afficher.

Performance cookies are used to understand and analyze the key performance indexes of the website which helps in delivering a better user experience for the visitors.

Aucun cookie à afficher.

Advertisement cookies are used to provide visitors with customized advertisements based on the pages you visited previously and to analyze the effectiveness of the ad campaigns.

Aucun cookie à afficher.

Comment extraire R-Squared de la fonction lm() dans R



Vous pouvez utiliser la syntaxe suivante pour extraire les valeurs R-carré et R-carré ajusté de la fonction lm() dans R :

#extract R-squared
summary(model)$adj.r.squared

#extract adjusted R-squared
summary(model)$adj.r.squared

L’exemple suivant montre comment utiliser cette syntaxe dans la pratique.

Exemple : Extraire R-Squared de lm() dans R

Supposons que nous ajustions le modèle de régression linéaire multiple suivant dans R :

#create data frame
df <- data.frame(rating=c(67, 75, 79, 85, 90, 96, 97),
                 points=c(8, 12, 16, 15, 22, 28, 24),
                 assists=c(4, 6, 6, 5, 3, 8, 7),
                 rebounds=c(1, 4, 3, 3, 2, 6, 7))

#fit multiple linear regression model
model <- lm(rating ~ points + assists + rebounds, data=df)

Nous pouvons utiliser la fonction summary() pour afficher le résumé complet du modèle de régression :

#view model summary
summary(model)

Call:
lm(formula = rating ~ points + assists + rebounds, data = df)

Residuals:
      1       2       3       4       5       6       7 
-1.5902 -1.7181  0.2413  4.8597 -1.0201 -0.6082 -0.1644 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)   
(Intercept)  66.4355     6.6932   9.926  0.00218 **
points        1.2152     0.2788   4.359  0.02232 * 
assists      -2.5968     1.6263  -1.597  0.20860   
rebounds      2.8202     1.6118   1.750  0.17847   
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 3.193 on 3 degrees of freedom
Multiple R-squared:  0.9589,	Adjusted R-squared:  0.9179 
F-statistic: 23.35 on 3 and 3 DF,  p-value: 0.01396

Notez les valeurs du R-carré et du R-carré ajusté du modèle vers le bas de la sortie :

  • R au carré : 0,9589
  • R au carré ajusté : 0,9179

Pour extraire uniquement la valeur R au carré du modèle, nous pouvons utiliser la syntaxe suivante :

#extract R-squared value of regression model
summary(model)$r.squared

[1] 0.9589274

Et pour extraire uniquement la valeur R-carré ajustée pour le modèle, nous pouvons utiliser la syntaxe suivante :

#extract adjusted R-squared value of regression model
summary(model)$adj.r.squared

[1] 0.9178548

Notez que ces valeurs pour le R-carré et le R-carré ajusté correspondent aux valeurs que nous avons vues plus tôt dans l’intégralité du résumé des résultats de la régression.

Ressources additionnelles

Les didacticiels suivants expliquent comment effectuer d’autres tâches courantes dans R :

Comment effectuer une régression linéaire simple dans R
Comment effectuer une régression linéaire multiple dans R
Comment créer un tracé résiduel dans R

Ajouter un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *