<\/p>\n
Anda dapat menggunakan argumen subset<\/strong> untuk hanya menggunakan subset bingkai data saat menggunakan fungsi lm()<\/a> agar sesuai dengan model regresi di R:<\/span><\/p>\n Contoh khusus ini sesuai dengan model regresi yang menggunakan poin<\/strong> sebagai variabel respons dan jumlah orang<\/strong> serta menit<\/strong> sebagai variabel prediktor.<\/span><\/p>\n Argumen subset<\/strong> menetapkan bahwa hanya baris dalam bingkai data yang variabel menitnya<\/strong> lebih besar dari 10 yang boleh digunakan saat menyesuaikan model regresi.<\/span><\/p>\n Contoh berikut menunjukkan cara menggunakan sintaksis ini dalam praktiknya.<\/span><\/p>\n Misalkan kita memiliki kerangka data berikut di R yang berisi informasi tentang menit bermain, total pelanggaran, dan total poin yang dicetak oleh 10 pemain bola basket:<\/span><\/p>\n Misalkan kita ingin menyesuaikan model regresi linier berganda berikut:<\/span><\/p>\n poin = \u03b2 0<\/sub> + \u03b2 1<\/sub> (menit) + \u03b2 2<\/sub> (pelanggaran)<\/strong><\/span><\/p>\n Namun, misalkan kita hanya ingin menggunakan baris dalam bingkai data yang variabel menitnya<\/strong> lebih besar dari 10.<\/span><\/p>\n Kita dapat menggunakan fungsi lm()<\/strong> dengan argumen subset<\/strong> agar sesuai dengan model regresi ini:<\/span><\/p>\n Kita dapat menggunakan fungsi nobs()<\/strong> untuk melihat berapa banyak observasi dari bingkai data yang sebenarnya digunakan agar sesuai dengan model regresi:<\/span><\/p>\n Kita dapat melihat bahwa 8<\/strong> baris bingkai data digunakan agar sesuai dengan model.<\/span><\/p>\n Jika kita melihat pada kerangka data aslinya, kita dapat melihat bahwa tepat 8<\/strong> baris memiliki nilai lebih besar dari 10 untuk variabel menit<\/strong> , artinya hanya baris tersebut yang digunakan saat menyesuaikan model regresi.<\/span><\/p>\n Kita juga dapat menggunakan operator &<\/strong> dalam argumen subset<\/strong> untuk membuat subset bingkai data berdasarkan beberapa kondisi.<\/span><\/p>\n Misalnya, kita dapat menggunakan sintaks berikut untuk menyesuaikan model regresi hanya dengan menggunakan baris dalam bingkai data yang menitnya<\/strong> lebih besar dari 10 dan kesalahannya<\/strong> kurang dari 4:<\/span><\/p>\n Dari hasilnya kita dapat melihat bahwa 7<\/strong> baris bingkai data digunakan untuk menyesuaikan model khusus ini.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di R:<\/span><\/p>\n Cara melakukan regresi linier sederhana di R<\/a> Anda dapat menggunakan argumen subset untuk hanya menggunakan subset bingkai data saat menggunakan fungsi lm() agar sesuai dengan model regresi di R: fit <- lm(points ~ fouls + minutes, data=df, subset=(minutes> 10 )) Contoh khusus ini sesuai dengan model regresi yang menggunakan poin sebagai variabel respons dan jumlah orang serta menit sebagai variabel prediktor. Argumen […]<\/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 fit <- lm(points ~ fouls + minutes, data=df, subset=(minutes><\/span> 10<\/span> ))<\/span><\/strong><\/pre>\n Contoh: Cara menggunakan subset bingkai data dengan lm() di R<\/strong><\/span><\/h2>\n
#create data frame\n<\/span>df <- data. frame<\/span> (minutes=c(5, 10, 13, 14, 20, 22, 26, 34, 38, 40),\n fouls=c(5, 5, 3, 4, 2, 1, 3, 2, 1, 1),\n points=c(6, 8, 8, 7, 14, 10, 22, 24, 28, 30))\n\n#view data frame\n<\/span>df\n\n minutes fouls points\n1 5 5 6\n2 10 5 8\n3 13 3 8\n4 14 4 7\n5 20 2 14\n6 22 1 10\n7 26 3 22\n8 34 2 24\n9 38 1 28\n10 40 1 30<\/strong><\/pre>\n #fit multiple linear regression model (only for rows where minutes>10)\n<\/span><\/strong>fit <- lm(points ~ fouls + minutes, data=df, subset=(minutes><\/span> 10<\/span> ))\n\n#view model summary<\/span>\nsummary(fit)\n\nCall:\nlm(formula = points ~ fouls + minutes, data = df, subset = (minutes > \n 10))\n\nResiduals:\n 3 4 5 6 7 8 9 10 \n 1.2824 -2.5882 2.2000 -1.9118 2.3588 -1.7176 0.1824 0.1941 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) -11.8353 4.9696 -2.382 0.063046 . \nfouls 1.8765 1.0791 1.739 0.142536 \nminutes 0.9941 0.1159 8.575 0.000356 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 2.255 on 5 degrees of freedom\nMultiple R-squared: 0.9574, Adjusted R-squared: 0.9404 \nF-statistic: 56.19 on 2 and 5 DF, p-value: 0.0003744\n<\/span><\/strong><\/pre>\n #view number of observations used to fit model\n<\/span>nobs(fit)\n\n[1] 8\n<\/span><\/span><\/strong><\/pre>\n #fit multiple linear regression model (only where minutes>10 & fouls<4)\n<\/span><\/strong>fit <- lm(points ~ fouls + minutes, data=df, subset=(minutes><\/span> 10 &<\/span> fouls< 4<\/span><\/span><\/span> ))\n\n#view number of observations used to fit model<\/span>\nnobs(fit)\n\n[1] 7\n<\/span><\/strong><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara melakukan regresi linier berganda di R<\/a>
Cara membuat plot sisa di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"