y = kapak b<\/sup><\/strong><\/span><\/p>\n Emas:<\/span><\/p>\n Jenis regresi ini digunakan untuk memodelkan situasi di mana variabel respon<\/a> sama dengan variabel prediktor yang dipangkatkan.<\/span><\/p>\n Contoh langkah demi langkah berikut menunjukkan cara melakukan regresi daya untuk kumpulan data tertentu di R.<\/span><\/p>\n Pertama, mari buat data palsu untuk dua variabel: x dan y.<\/span><\/p>\n Selanjutnya, mari buat diagram sebar untuk memvisualisasikan hubungan antara x dan y:<\/span> <\/p>\n Grafik tersebut menunjukkan adanya hubungan kekuatan yang jelas antara kedua variabel. Oleh karena itu, tampaknya bijaksana untuk menyesuaikan persamaan regresi pangkat dengan data dibandingkan dengan model regresi linier.<\/span><\/p>\n Selanjutnya, kita akan menggunakan fungsi lm()<\/strong> untuk menyesuaikan model regresi dengan data, dengan menetapkan bahwa R harus menggunakan log variabel respons dan log variabel prediktor saat memasang model:<\/span><\/p>\n Nilai F keseluruhan<\/a> model adalah 252,1 dan nilai p yang sesuai sangat rendah (4,619e-12), menunjukkan bahwa model secara keseluruhan berguna.<\/span><\/p>\n Dengan menggunakan koefisien dari tabel keluaran, kita dapat melihat bahwa persamaan regresi pangkat yang sesuai adalah:<\/span><\/p>\n ln(y) = 0,15333 + 1,43439ln(x)<\/strong><\/span><\/p>\n Menerapkan e<\/em> pada kedua ruas, kita dapat menulis ulang persamaannya sebagai berikut:<\/span><\/p>\n Kita dapat menggunakan persamaan ini untuk memprediksi variabel respon y<\/em> berdasarkan nilai variabel prediktor x<\/em> .<\/span><\/p>\n Misalnya, jika x<\/em> = 12, maka kita prediksi y<\/em> adalah 41.167<\/strong> :<\/span><\/p>\n kamu = 1,1657(12) 1,43439<\/sup> = 41,167<\/span><\/p>\n Bonus:<\/strong> Jangan ragu untuk menggunakan kalkulator regresi daya online ini untuk secara otomatis menghitung persamaan regresi daya untuk variabel prediktor dan respons tertentu.<\/span><\/p>\n Cara melakukan regresi linier berganda di R<\/a> Regresi daya merupakan salah satu jenis regresi nonlinier yang bentuknya sebagai berikut: y = kapak b Emas: y : variabel respon x: variabel prediktif a, b: koefisien regresi yang menggambarkan hubungan antara x dan y Jenis regresi ini digunakan untuk memodelkan situasi di mana variabel respon sama dengan variabel prediktor yang dipangkatkan. Contoh langkah demi […]<\/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
Langkah 1: Buat datanya<\/strong><\/span><\/h3>\n
#create data<\/span>\nx=1:20\ny=c(1, 8, 5, 7, 6, 20, 15, 19, 23, 37, 33, 38, 49, 50, 56, 52, 70, 89, 97, 115)<\/strong><\/pre>\n Langkah 2: Visualisasikan datanya<\/strong><\/span><\/h3>\n
#create scatterplot<\/span>\nplot(x, y)<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/puissancer1.png\")
<\/p>\n Langkah 3: Sesuaikan model regresi kekuatan<\/strong><\/span><\/h3>\n
#fit the model\n<\/span>model <- lm(log(y)~ log(x))\n\n#view the output of the model\n<\/span>summary(model)\n\nCall:\nlm(formula = log(y) ~ log(x))\n\nResiduals:\n Min 1Q Median 3Q Max \n-0.67014 -0.17190 -0.05341 0.16343 0.93186 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 0.15333 0.20332 0.754 0.461 \nlog(x) 1.43439 0.08996 15.945 4.62e-12 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 0.3187 on 18 degrees of freedom\nMultiple R-squared: 0.9339, Adjusted R-squared: 0.9302 \nF-statistic: 254.2 on 1 and 18 DF, p-value: 4.619e-12<\/strong><\/pre>\n\n
Sumber daya tambahan<\/strong><\/span><\/h3>\n
Bagaimana melakukan regresi eksponensial di R<\/a>
Bagaimana melakukan regresi logaritmik di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"