Untuk menggunakan metode kuadrat terkecil agar sesuai dengan garis regresi di R, kita dapat menggunakan fungsi lm()<\/strong> .<\/span><\/p>\n Fungsi ini menggunakan sintaks dasar berikut:<\/span><\/p>\n Contoh berikut menunjukkan cara menggunakan fungsi ini di R.<\/span><\/p>\n Misalkan kita mempunyai kerangka data berikut di R yang menunjukkan jumlah jam belajar dan nilai ujian yang sesuai untuk 15 siswa dalam satu kelas:<\/span><\/p>\n Kita dapat menggunakan fungsi lm()<\/strong> untuk menggunakan metode kuadrat terkecil agar sesuai dengan garis regresi ke data ini:<\/span><\/p>\n Dari nilai-nilai pada kolom Estimasi<\/strong> Hasil, kita dapat menuliskan garis regresi yang sesuai sebagai berikut:<\/span><\/p>\n Nilai ujian = 65.334 + 1.982 (jam)<\/span><\/p>\n Berikut cara menginterpretasikan setiap koefisien dalam model:<\/span><\/p>\n Kita dapat menggunakan persamaan ini untuk memperkirakan nilai ujian yang akan diterima siswa berdasarkan jam belajarnya.<\/span><\/p>\n Misalnya, jika seorang siswa belajar selama 5 jam, kami memperkirakan nilai ujiannya adalah 75.244:<\/span><\/p>\n Nilai Ujian = 65.334 + 1.982(5) = 75.244<\/span><\/p>\n Terakhir, kita dapat membuat plot sebar dari data asli dengan garis regresi yang dipasang ditumpangkan pada plot:<\/span> <\/p>\n Lingkaran biru melambangkan data dan garis hitam melambangkan garis regresi yang sesuai.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di R:<\/span><\/p>\n Cara membuat plot sisa di R<\/a> Metode kuadrat terkecil adalah metode yang dapat kita gunakan untuk mencari garis regresi yang paling sesuai dengan kumpulan data tertentu. Untuk menggunakan metode kuadrat terkecil agar sesuai dengan garis regresi di R, kita dapat menggunakan fungsi lm() . Fungsi ini menggunakan sintaks dasar berikut: model <- lm(response ~ predictor, data=df) Contoh berikut menunjukkan cara menggunakan […]<\/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 model <- lm(response ~ predictor, data=df)\n<\/strong><\/pre>\n
Contoh: metode kuadrat terkecil di R<\/strong><\/span><\/h2>\n
#create data frame\n<\/span>df <- data. frame<\/span> (hours=c(1, 2, 4, 5, 5, 6, 6, 7, 8, 10, 11, 11, 12, 12, 14),\n score=c(64, 66, 76, 73, 74, 81, 83, 82, 80, 88, 84, 82, 91, 93, 89))\n\n#view first six rows of data frame\n<\/span>head(df)\n\n hours score\n1 1 64\n2 2 66\n3 4 76\n4 5 73\n5 5 74\n6 6 81\n<\/strong><\/pre>\n #use method of least squares to fit regression line\n<\/span>model <- lm(score ~ hours, data=df)\n\n#view regression model summary<\/span>\nsummary(model)\n\nCall:\nlm(formula = score ~ hours, data = df)\n\nResiduals:\n Min 1Q Median 3Q Max \n-5,140 -3,219 -1,193 2,816 5,772 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 65,334 2,106 31,023 1.41e-13 ***\nhours 1.982 0.248 7.995 2.25e-06 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.641 on 13 degrees of freedom\nMultiple R-squared: 0.831, Adjusted R-squared: 0.818 \nF-statistic: 63.91 on 1 and 13 DF, p-value: 2.253e-06\n<\/strong><\/pre>\n\n
#create scatter plot of data\n<\/span>plot(df$hours, df$score, pch=16, col=' steelblue<\/span> ')\n\n#add fitted regression line to scatter plot\n<\/span>abline(model)\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/methode1.jpg\")
<\/p>\n Sumber daya tambahan<\/span><\/strong><\/h2>\n
Cara menguji multikolinearitas di R<\/a>
Cara melakukan pemasangan kurva di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"