<\/p>\n
R-squared<\/strong> , sering ditulis R2<\/sup> , adalah proporsi varians variabel respon<\/a> yang dapat dijelaskan oleh variabel prediktor dalam model regresi linier<\/a> .<\/span><\/p>\n Nilai R squared dapat berkisar antara 0 hingga 1. Nilai 0 menunjukkan bahwa variabel respon sama sekali tidak dapat dijelaskan oleh variabel prediktor, sedangkan nilai 1 menunjukkan bahwa variabel respon dapat dijelaskan oleh variabel prediktor. dijelaskan dengan sempurna tanpa kesalahan oleh prediktor. variabel.<\/span><\/p>\n R-squared yang disesuaikan<\/strong> adalah versi modifikasi dari R-squared yang menyesuaikan jumlah prediktor dalam model regresi. Ini dihitung sebagai berikut:<\/span><\/p>\n Disesuaikan R 2<\/sup> = 1 \u2013 [(1-R 2<\/sup> )*(n-1)\/(nk-1)]<\/strong><\/span><\/p>\n Emas:<\/span><\/p>\n Karena R2<\/sup> selalu meningkat saat Anda menambahkan prediktor ke model, R2<\/sup> yang disesuaikan dapat berfungsi sebagai metrik yang memberi tahu Anda seberapa berguna suatu model, disesuaikan berdasarkan jumlah prediktor dalam model<\/em> .<\/span><\/p>\n Tutorial ini menjelaskan cara menghitung R2<\/sup> yang disesuaikan untuk model regresi di R.<\/span><\/p>\n Terkait:<\/strong><\/span> Berapa nilai R-kuadrat yang bagus?<\/a><\/p>\n Kita dapat menggunakan kode berikut untuk membuat model regresi linier berganda di R menggunakan kumpulan data bawaan yang disebut mtcars<\/strong> :<\/span><\/p>\n Dan kita dapat menggunakan salah satu dari tiga metode untuk mencari R-kuadrat yang disesuaikan dari model:<\/span><\/p>\n Metode 1: Gunakan fungsi ringkasan()<\/strong><\/span><\/p>\n Kita dapat memvisualisasikan R-kuadrat dan R-kuadrat yang disesuaikan dari model hanya dengan menggunakan fungsi ringkasan()<\/strong> :<\/span><\/p>\n Di bagian bawah output kita dapat melihat yang berikut:<\/span><\/p>\n Metode 2: Gunakan ringkasan(model)$adj.r.squared<\/span><\/strong><\/p>\n Jika kita hanya ingin mendapatkan model R-kuadrat yang disesuaikan, kita dapat menggunakan fungsi berikut:<\/span><\/p>\n Metode 3: Gunakan fungsi khusus<\/strong><\/span><\/p>\n Cara lain untuk menemukan R-kuadrat model yang sesuai adalah dengan menulis fungsi khusus:<\/span><\/p>\n Perhatikan bahwa masing-masing dari tiga metode yang dibagikan di sini memberikan nilai yang sama untuk R-kuadrat yang disesuaikan.<\/span><\/p>\n Cara melakukan regresi linier sederhana di R<\/a> R-squared , sering ditulis R2 , adalah proporsi varians variabel respon yang dapat dijelaskan oleh variabel prediktor dalam model regresi linier . Nilai R squared dapat berkisar antara 0 hingga 1. Nilai 0 menunjukkan bahwa variabel respon sama sekali tidak dapat dijelaskan oleh variabel prediktor, sedangkan nilai 1 menunjukkan bahwa variabel respon dapat dijelaskan oleh […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
Contoh: Cara menghitung R-kuadrat yang disesuaikan di R<\/strong><\/span><\/h3>\n
model <- lm<\/span> (hp ~ mpg + wt + drat + qsec, data=mtcars)\n<\/strong><\/pre>\n summary<\/span> (model)\n\nCall:\nlm(formula = hp ~ mpg + wt + drat + qsec, data = mtcars)\n\nResiduals:\n Min 1Q Median 3Q Max \n-48,801 -16,007 -5,482 11,614 97,338 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 473.779 105.213 4.503 0.000116 ***\nmpg -2.877 2.381 -1.209 0.237319 \nwt 26.037 13.514 1.927 0.064600 . \ndrat 4.819 15.952 0.302 0.764910 \nqsec -20.751 3.993 -5.197 1.79e-05 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 32.25 on 27 degrees of freedom\nMultiple R-squared: 0.8073, Adjusted R-squared: 0.7787 \nF-statistic: 28.27 on 4 and 27 DF, p-value: 2.647e-09\n<\/strong><\/pre>\n\n
summary<\/span> (model)$adj.r.squared\n\n[1] 0.7787005\n<\/strong><\/pre>\n #define function to calculate adjusted R-squared<\/span>\nadj_r2 <- function<\/span> (x) {\n return<\/span> (1 - ((1-summary(x)$r.squared)*( nobs<\/span> (x)-1)\/( nobs<\/span> (x)- length<\/span> (x$coefficients)-1)))\n}\n\n#use function to calculate adjusted R-squared of the model\n<\/span>adj_r2(model)\n\n[1] 0.7787005\nnumeric(0)<\/strong><\/span><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara melakukan regresi linier berganda di R<\/a>
Bagaimana melakukan regresi polinomial di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"