Misalnya, grafik berikut menunjukkan contoh peluruhan logaritmik:<\/span> <\/p>\n Untuk situasi seperti ini, hubungan antara variabel prediktor dan variabel respon dapat dimodelkan dengan baik menggunakan regresi logaritmik.<\/span><\/p>\n Persamaan model regresi logaritma berbentuk sebagai berikut:<\/span><\/p>\n y = a + b*ln(x)<\/strong><\/span><\/p>\n Emas:<\/span><\/p>\n Contoh langkah demi langkah berikut menunjukkan cara melakukan regresi logaritmik di R.<\/span><\/p>\n Pertama, mari buat data palsu untuk dua variabel: x<\/em> dan y<\/em> :<\/span><\/p>\n Berikutnya, mari buat diagram sebar singkat untuk memvisualisasikan hubungan antara x<\/em> dan y<\/em> :<\/span> <\/p>\n Dari grafik terlihat jelas adanya pola peluruhan logaritmik antara kedua variabel. Nilai variabel respon, y<\/em> , menurun dengan cepat pada awalnya, kemudian melambat seiring berjalannya waktu.<\/span><\/p>\n Oleh karena itu, tampaknya bijaksana untuk menggunakan persamaan regresi logaritmik untuk menggambarkan hubungan antar variabel.<\/span><\/p>\n Selanjutnya, kita akan menggunakan fungsi lm()<\/strong> untuk menyesuaikan model regresi logaritma, menggunakan logaritma natural x<\/em> sebagai variabel prediktor dan y<\/em> sebagai variabel respon.<\/span><\/p>\n Nilai F keseluruhan<\/a> model adalah 828,2 dan nilai p yang sesuai sangat rendah (3,702e-13), menunjukkan bahwa model secara keseluruhan berguna.<\/span><\/p>\n Dengan menggunakan koefisien dari tabel keluaran, kita dapat melihat bahwa persamaan regresi logaritmik yang sesuai adalah:<\/span><\/p>\n kamu = 63,0686 \u2013 20,1987 * ln(x)<\/strong><\/span><\/p>\n Kita dapat menggunakan persamaan ini untuk memprediksi variabel respon y<\/em> berdasarkan nilai variabel prediktor x<\/em> . Misalnya, jika x<\/em> = 12, maka kita prediksi y<\/em> adalah 12.87<\/strong> :<\/span><\/p>\n y = 63,0686 \u2013 20,1987 * ln(12) = 12,87<\/strong><\/span><\/p>\n Bonus:<\/strong> Jangan ragu untuk menggunakan kalkulator regresi logaritma online ini untuk secara otomatis menghitung persamaan regresi logaritma untuk variabel prediktor dan respons tertentu.<\/span><\/p>\n Terakhir, kita dapat membuat grafik cepat untuk memvisualisasikan seberapa cocok model regresi logaritmik dengan data:<\/span><\/span> <\/p>\n Kita dapat melihat bahwa model regresi logaritmik berfungsi dengan baik dalam menyesuaikan kumpulan data tertentu.<\/span><\/p>\n Cara melakukan regresi linier sederhana di R<\/a> Regresi logaritmik adalah jenis regresi yang digunakan untuk memodelkan situasi di mana pertumbuhan atau penurunan pada awalnya meningkat dengan cepat dan kemudian melambat seiring berjalannya waktu. Misalnya, grafik berikut menunjukkan contoh peluruhan logaritmik: Untuk situasi seperti ini, hubungan antara variabel prediktor dan variabel respon dapat dimodelkan dengan baik menggunakan regresi logaritmik. Persamaan model regresi logaritma […]<\/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![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/expregexcel2.png\")
<\/p>\n\n
Langkah 1: Buat datanya<\/strong><\/span><\/h3>\n
x=1:15\n\ny=c(59, 50, 44, 38, 33, 28, 23, 20, 17, 15, 13, 12, 11, 10, 9.5)\n<\/strong><\/pre>\n
Langkah 2: Visualisasikan datanya<\/strong><\/h3>\n
plot(x, y)<\/strong> <\/pre>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/logregr1.png\")
<\/p>\n Langkah 3: Sesuaikan model regresi logaritma<\/strong><\/span><\/h3>\n
#fit the model<\/span>\nmodel <- lm(y ~ log<\/span> (x))<\/strong>\n\n#view the output of the model<\/span>\nsummary(model)\n\nCall:\nlm(formula = y ~ log(x))\n\nResiduals:\n Min 1Q Median 3Q Max \n-4.069 -1.313 -0.260 1.127 3.122 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 63.0686 1.4090 44.76 1.25e-15 ***\nlog(x) -20.1987 0.7019 -28.78 3.70e-13 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 2.054 on 13 degrees of freedom\nMultiple R-squared: 0.9845, Adjusted R-squared: 0.9834 \nF-statistic: 828.2 on 1 and 13 DF, p-value: 3.702e-13<\/strong><\/pre>\n Langkah 4: Visualisasikan model regresi logaritma<\/strong><\/span><\/h3>\n
#plot x vs. y<\/span>\nplot(x, y)\n\n#define x-values to use for regression line\n<\/span>x=seq(from= 1<\/span> , to= 15<\/span> , length. out<\/span> = 1000<\/span> )\n\n#use the model to predict the y-values based on the x-values\n<\/span>y=predict(model,newdata=list(x=seq(from= 1<\/span> ,to= 15<\/span> ,length. out<\/span> = 1000<\/span> )),\n interval=\" confidence<\/span> \")\n\n#add the fitted regression line to the plot (lwd specifies the width of the line)\n<\/span>matlines(x,y, lwd= 2<\/span> )\n<\/strong><\/pre>\n![\"Regresi](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/logregr2.png\")
<\/p>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara melakukan regresi linier berganda di R<\/a>
Bagaimana melakukan regresi kuadrat di R<\/a>
Bagaimana melakukan regresi eksponensial di R<\/a>
Bagaimana melakukan regresi polinomial di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"