<\/p>\n
Kesalahan yang mungkin Anda temui di R adalah:<\/span><\/p>\n Kesalahan ini biasanya terjadi ketika Anda mencoba menyesuaikan model regresi atau model ANOVA di R dan menggunakan daftar<\/strong> untuk salah satu variabel, bukan vektor<\/strong> .<\/span><\/p>\n Tutorial ini menjelaskan cara memperbaiki kesalahan ini dalam praktiknya.<\/span><\/p>\n Misalkan saya mencoba memasukkan model regresi linier sederhana<\/a> di R:<\/span><\/p>\n Saya mendapatkan kesalahan karena fungsi lm()<\/strong> hanya dapat mengambil vektor sebagai input dan variabel x saat ini berupa daftar.<\/span><\/p>\n Cara termudah untuk menghindari kesalahan ini adalah dengan menggunakan fungsi unlist()<\/a> untuk mengonversi variabel daftar menjadi vektor:<\/span><\/span><\/p>\n Perhatikan bahwa kali ini kita dapat menyesuaikan model regresi linier sederhana tanpa kesalahan apa pun karena kita menggunakan unlist()<\/strong> untuk mengonversi variabel x menjadi vektor.<\/span><\/p>\n Perhatikan bahwa jika Anda memasang model regresi linier berganda<\/a> dan Anda memiliki beberapa variabel prediktor yang saat ini merupakan objek daftar, Anda dapat menggunakan unlist()<\/strong> untuk mengonversi masing-masing variabel menjadi vektor sebelum memasang model regresi:<\/span><\/p>\n Sekali lagi, kami tidak menerima kesalahan apa pun karena kami mengonversi setiap objek dalam daftar menjadi vektor.<\/span><\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan operasi umum lainnya di R:<\/span><\/p>\n Bagaimana menafsirkan keluaran glm di R<\/a> Kesalahan yang mungkin Anda temui di R adalah: Error in model.frame.default(formula = y ~ x, drop.unused.levels = TRUE): invalid type (list) for variable ‘x’ Kesalahan ini biasanya terjadi ketika Anda mencoba menyesuaikan model regresi atau model ANOVA di R dan menggunakan daftar untuk salah satu variabel, bukan vektor . Tutorial ini menjelaskan cara memperbaiki kesalahan […]<\/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 Error in model.frame.default(formula = y ~ x, drop.unused.levels = TRUE): \n invalid type (list) for variable 'x' \n<\/strong><\/pre>\n
Bagaimana cara mereproduksi kesalahan tersebut<\/strong><\/h2>\n
#define variables\nx <- list(1, 4, 4, 5, 7, 8, 9, 10, 13, 14)\ny <- c(10, 13, 13, 14, 18, 20, 22, 24, 29, 31)<\/span>\n\n#attempt to fit regression model\nmodel <- lm(y ~ x)\n\nError in model.frame.default(formula = y ~ x, drop.unused.levels = TRUE): \n invalid type (list) for variable 'x'\n<\/span><\/span><\/strong><\/span><\/pre>\n Bagaimana menghindari kesalahan tersebut<\/strong><\/span><\/h2>\n
#define variables\nx <- list(1, 4, 4, 5, 7, 8, 9, 10, 13, 14)\ny <- c(10, 13, 13, 14, 18, 20, 22, 24, 29, 31)\n\n#attempt to fit regression model\n<\/span>model <- lm(y ~ unlist(x))\n\n#view the model output<\/span>\nsummary(model)\n\nCall:\nlm(formula = y ~ unlist(x))\n\nResiduals:\n Min 1Q Median 3Q Max \n-1.1282 -0.4194 -0.1087 0.2966 1.7068 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 6.58447 0.55413 11.88 2.31e-06 ***\nunlist(x) 1.70874 0.06544 26.11 4.97e-09 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 0.8134 on 8 degrees of freedom\nMultiple R-squared: 0.9884, Adjusted R-squared: 0.987 \nF-statistic: 681.8 on 1 and 8 DF, p-value: 4.97e-09\n<\/span><\/span><\/strong><\/span><\/pre>\n #define variables\nx1 <- list(1, 4, 4, 5, 7, 8, 9, 10, 13, 14)\nx2 <- list(20, 16, 16, 15, 16, 12, 10, 8, 8, 4)\ny <- c(10, 13, 13, 14, 18, 20, 22, 24, 29, 31)\n\n#fit multiple linear regression model\n<\/span>model <- lm(y ~ unlist(x1) + unlist(x2))\n\n#view the model output\n<\/span>summary(model)\n\nCall:\nlm(formula = y ~ unlist(x1) + unlist(x2))\n\nResiduals:\n Min 1Q Median 3Q Max \n-1.1579 -0.4211 -0.1386 0.3108 1.7130 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 8.34282 4.44971 1.875 0.102932 \nunlist(x1) 1.61339 0.24899 6.480 0.000341 ***\nunlist(x2) -0.08346 0.20937 -0.399 0.702044 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 0.8599 on 7 degrees of freedom\nMultiple R-squared: 0.9887, Adjusted R-squared: 0.9854 \nF-statistic: 305.1 on 2 and 7 DF, p-value: 1.553e-07<\/span><\/span><\/strong><\/span><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Bagaimana menginterpretasikan hasil ANOVA di R<\/a>
Cara menangani R Peringatan: glm.fit: algoritma tidak menyatu<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"