<\/p>\n
Untuk menyesuaikan model regresi linier<\/a> di R, kita dapat menggunakan perintah lm()<\/strong> .<\/span><\/p>\n Untuk menampilkan keluaran model regresi, kita dapat menggunakan perintah ringkasan()<\/strong> .<\/span><\/p>\n Tutorial ini menjelaskan cara menginterpretasikan setiap nilai keluaran regresi di R.<\/span><\/p>\n Kode berikut menunjukkan cara menyesuaikan model regresi linier berganda dengan kumpulan data mtcars<\/strong> terintegrasi menggunakan hp<\/em> , drat<\/em> dan wt<\/em> sebagai variabel prediktor dan mpg<\/em> sebagai variabel respons:<\/span><\/p>\n Berikut cara menafsirkan setiap nilai dalam output:<\/span><\/p>\n Bagian ini mengingatkan kita pada rumus yang kita gunakan dalam model regresi. Kita dapat melihat bahwa kita menggunakan mpg<\/strong> sebagai variabel respon dan hp<\/strong> , drat<\/strong> dan wt<\/strong> sebagai variabel prediktor. Setiap variabel berasal dari kumpulan data yang disebut mtcars<\/strong> .<\/span><\/p>\n Bagian ini menampilkan ringkasan sebaran residu dari model regresi. Ingatlah bahwa residu adalah selisih antara nilai observasi dan nilai prediksi model regresi.<\/span><\/p>\n Residu minimum sebesar -3,3598<\/strong> , residu median sebesar -0,5099<\/strong> , dan residu maksimum sebesar 5,7078<\/strong> .<\/span><\/p>\n Bagian ini menampilkan estimasi koefisien model regresi. Kita dapat menggunakan koefisien ini untuk membentuk estimasi persamaan regresi berikut:<\/span><\/p>\n mpg = 29.39 \u2013 0.03*hp + 1.62*drat \u2013 3.23*berat<\/span><\/p>\n Untuk setiap variabel prediktor, kami menerima nilai berikut:<\/span><\/p>\n Estimasi:<\/strong> estimasi koefisien. Hal ini menunjukkan kepada kita peningkatan rata-rata dalam variabel respons yang terkait dengan peningkatan satu unit dalam variabel prediktor, dengan asumsi semua variabel prediktor lainnya tetap konstan.<\/span><\/p>\n Standar.<\/strong> Kesalahan<\/strong> : Ini adalah kesalahan standar koefisien. Ini adalah ukuran ketidakpastian estimasi koefisien kami.<\/span><\/p>\n t-value:<\/strong> Ini adalah t-statistik untuk variabel prediktor, dihitung sebagai (Estimate) \/ (Standard Error).<\/span><\/p>\n Pr(>|t|):<\/strong> Ini adalah nilai p yang sesuai dengan statistik t. Jika nilai ini berada di bawah tingkat alfa tertentu (misalnya 0,05), maka variabel prediktif dikatakan signifikan secara statistik.<\/span><\/p>\n Jika kita menggunakan tingkat alfa \u03b1 = 0,05 untuk menentukan prediktor mana yang signifikan dalam model regresi ini, kita dapat mengatakan bahwa hp<\/strong> dan wt<\/strong> merupakan prediktor yang signifikan secara statistik, sedangkan drat<\/strong> tidak.<\/span><\/p>\n Bagian terakhir ini menampilkan berbagai angka yang membantu kita menilai seberapa cocok model regresi dengan kumpulan data kita.<\/span><\/p>\n Kesalahan standar sisa:<\/strong> Ini memberi tahu kita jarak rata-rata antara nilai yang diamati dan garis regresi. Semakin kecil nilainya maka semakin baik model regresi tersebut mampu menyesuaikan data.<\/span><\/p>\n Derajat kebebasan dihitung sebagai nk-1 dimana n = jumlah observasi dan k = jumlah prediktor. Dalam contoh ini mtcars memiliki 32 observasi dan kami menggunakan 3 prediktor dalam model regresi, sehingga derajat kebebasannya adalah 32 \u2013 3 \u2013 1 = 28.<\/span><\/p>\n Kelipatan R-kuadrat:<\/strong> Ini disebut koefisien determinasi. Ini memberitahu kita seberapa besar varians dalam variabel respon<\/a> dapat dijelaskan oleh variabel prediktor.<\/span><\/p>\n Nilai ini berkisar antara 0 sampai 1. Semakin mendekati 1 maka variabel prediktor semakin mampu memprediksi nilai variabel respon.<\/span><\/p>\n R-squared yang disesuaikan:<\/strong> Ini adalah versi modifikasi dari R-squared yang telah disesuaikan berdasarkan jumlah prediktor dalam model. Itu selalu kurang dari R kuadrat.<\/span><\/p>\n R-kuadrat yang disesuaikan dapat berguna untuk membandingkan kesesuaian model regresi berbeda yang menggunakan jumlah variabel prediktor berbeda.<\/span><\/p>\n F-statistik:<\/strong> Menunjukkan apakah model regresi memberikan kesesuaian yang lebih baik dengan data dibandingkan model yang tidak memuat variabel independen. Pada dasarnya, ini menguji apakah model regresi secara keseluruhan bermanfaat.<\/span><\/p>\n nilai-p:<\/strong> Ini adalah nilai-p yang sesuai dengan statistik F. Jika nilai ini berada di bawah tingkat signifikansi tertentu (misalnya 0,05), maka model regresi lebih cocok dengan data dibandingkan model tanpa prediktor.<\/span><\/p>\n Saat membangun model regresi, kami berharap nilai p ini berada di bawah tingkat signifikansi tertentu, karena ini menunjukkan bahwa variabel prediktor benar-benar berguna dalam memprediksi nilai variabel respon.<\/span><\/p>\n Cara melakukan regresi linier sederhana di R<\/a> Untuk menyesuaikan model regresi linier di R, kita dapat menggunakan perintah lm() . Untuk menampilkan keluaran model regresi, kita dapat menggunakan perintah ringkasan() . Tutorial ini menjelaskan cara menginterpretasikan setiap nilai keluaran regresi di R. Contoh: Menafsirkan Output Regresi di R Kode berikut menunjukkan cara menyesuaikan model regresi linier berganda dengan kumpulan data mtcars terintegrasi […]<\/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 Contoh: Menafsirkan Output Regresi di R<\/strong><\/h3>\n
#fit regression model using hp, drat, and wt as predictors\n<\/span>model <- lm(mpg ~ hp + drat + wt, data = mtcars)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nlm(formula = mpg ~ hp + drat + wt, data = mtcars)\n\nResiduals:\n Min 1Q Median 3Q Max \n-3.3598 -1.8374 -0.5099 0.9681 5.7078 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 29.394934 6.156303 4.775 5.13e-05 ***\nhp -0.032230 0.008925 -3.611 0.001178 ** \ndrat 1.615049 1.226983 1.316 0.198755 \nwt -3.227954 0.796398 -4.053 0.000364 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 2.561 on 28 degrees of freedom\nMultiple R-squared: 0.8369, Adjusted R-squared: 0.8194 \nF-statistic: 47.88 on 3 and 28 DF, p-value: 3.768e-11\n<\/strong><\/pre>\n Panggilan<\/strong><\/span><\/h3>\n
Call:\nlm(formula = mpg ~ hp + drat + wt, data = mtcars)<\/strong><\/pre>\n
Residu<\/strong><\/span><\/h3>\n
Residuals:\n Min 1Q Median 3Q Max \n-3.3598 -1.8374 -0.5099 0.9681 5.7078 \n<\/strong><\/pre>\n
Koefisien<\/strong><\/span><\/h3>\n
Coefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 29.394934 6.156303 4.775 5.13e-05 ***\nhp -0.032230 0.008925 -3.611 0.001178 ** \ndrat 1.615049 1.226983 1.316 0.198755 \nwt -3.227954 0.796398 -4.053 0.000364 ***\n\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n<\/strong><\/pre>\n
Penilaian kecukupan model<\/strong><\/span><\/h3>\n
Residual standard error: 2.561 on 28 degrees of freedom\nMultiple R-squared: 0.8369, Adjusted R-squared: 0.8194 \nF-statistic: 47.88 on 3 and 28 DF, p-value: 3.768e-11\n<\/strong><\/pre>\n
Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara melakukan regresi linier berganda di R<\/a>
Berapa nilai R-kuadrat yang bagus?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"