<\/p>\n
Ogni volta che adattiamo un modello di regressione lineare in R, il modello assume la forma seguente:<\/span><\/p>\n Y = \u03b2 0<\/sub> + \u03b2 1<\/sub> X + \u2026 + \u03b2 i<\/sub><\/span><\/p>\n dove \u03f5 \u00e8 un termine di errore indipendente da X.<\/span><\/p>\n Non importa come X possa essere utilizzato per prevedere i valori di Y, nel modello ci sar\u00e0 sempre un errore casuale. Un modo per misurare la dispersione di questo errore casuale \u00e8 utilizzare l’ errore standard residuo<\/strong> , che \u00e8 un modo per misurare la deviazione standard dei residui \u03f5.<\/span><\/p>\n L’errore standard residuo di un modello di regressione viene calcolato come segue:<\/span><\/p>\n Errore standard residuo = \u221a SS residui<\/sub> \/ df residui<\/sub><\/span><\/strong><\/span><\/p>\n Oro:<\/span><\/p>\n Esistono tre metodi che possiamo utilizzare per calcolare l’errore standard residuo di un modello di regressione in R.<\/span><\/p>\n Il primo modo per ottenere l’errore standard residuo \u00e8 semplicemente adattare un modello di regressione lineare e quindi utilizzare il comando summary()<\/strong> per ottenere i risultati del modello. Quindi cerca “errore standard residuo” nella parte inferiore dell’output:<\/span><\/p>\n Possiamo vedere che l’errore standard residuo \u00e8 3.127<\/strong> .<\/span><\/p>\n Un altro modo per ottenere l’errore standard residuo (RSE) \u00e8 quello di adattare un modello di regressione lineare e quindi utilizzare la seguente formula per calcolare l’RSE:<\/span><\/p>\n Ecco come implementare questa formula in R:<\/span><\/p>\n Possiamo vedere che l’errore standard residuo \u00e8 3.126601<\/strong> .<\/span><\/p>\n Un altro modo per ottenere l’errore standard residuo \u00e8 quello di adattare un modello di regressione lineare e quindi utilizzare un approccio passo passo per calcolare ogni singolo componente della formula RSE:<\/span><\/p>\n Possiamo vedere che l’errore standard residuo \u00e8 3.126601<\/strong> .<\/span><\/p>\n Come accennato in precedenza, l\u2019errore standard residuo (RSE) \u00e8 un modo per misurare la deviazione standard dei residui in un modello di regressione.<\/span><\/p>\n Pi\u00f9 basso \u00e8 il valore CSR, migliore \u00e8 la capacit\u00e0 del modello di adattare i dati (ma fai attenzione all’adattamento eccessivo<\/a> ). Questa pu\u00f2 essere una metrica utile da utilizzare quando si confrontano due o pi\u00f9 modelli per determinare quale modello si adatta meglio ai dati.<\/span><\/p>\n Come interpretare l’errore standard residuo<\/a> Ogni volta che adattiamo un modello di regressione lineare in R, il modello assume la forma seguente: Y = \u03b2 0 + \u03b2 1 X + \u2026 + \u03b2 i dove \u03f5 \u00e8 un termine di errore indipendente da X. Non importa come X possa essere utilizzato per prevedere i valori di Y, nel modello […]<\/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
Metodo 1: analizzare il riepilogo del modello<\/strong><\/span><\/h3>\n
#load built-in mtcars<\/em> dataset<\/span>\ndata(mtcars)\n\n#fit regression model\n<\/span>model <- lm(mpg~disp+hp, data=mtcars)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nlm(formula = mpg ~ disp + hp, data = mtcars)\n\nResiduals:\n Min 1Q Median 3Q Max \n-4.7945 -2.3036 -0.8246 1.8582 6.9363 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 30.735904 1.331566 23.083 < 2nd-16 ***\navailable -0.030346 0.007405 -4.098 0.000306 ***\nhp -0.024840 0.013385 -1.856 0.073679 . \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.127<\/span> on 29 degrees of freedom\nMultiple R-squared: 0.7482, Adjusted R-squared: 0.7309 \nF-statistic: 43.09 on 2 and 29 DF, p-value: 2.062e-09<\/strong><\/pre>\n Metodo 2: utilizzare una formula semplice<\/strong><\/span><\/h3>\n
sqrt( deviance<\/span> (model)\/df. residual<\/span> (model))\n<\/strong><\/pre>\n #load built-in mtcars<\/em> dataset<\/span>\ndata(mtcars)\n\n#fit regression model\n<\/span>model <- lm(mpg~disp+hp, data=mtcars)\n\n#calculate residual standard error\n<\/span>sqrt( deviance<\/span> (model)\/df. residual<\/span> (model))\n\n[1] 3.126601\n<\/strong><\/pre>\n Metodo 3: utilizzare una formula passo passo<\/strong><\/span><\/h3>\n
#load built-in mtcars<\/em> dataset<\/span>\ndata(mtcars)\n\n#fit regression model\n<\/span>model <- lm(mpg~disp+hp, data=mtcars)\n\n#calculate the number of model parameters - 1\n<\/span>k=length(model$ coefficients<\/span> )-1\n\n#calculate sum of squared residuals<\/span>\nSSE=sum(model$ residuals<\/span> **2)\n\n#calculate total observations in dataset<\/span>\nn=length(model$ residuals<\/span> )\n\n#calculate residual standard error<\/span>\nsqrt(SSE\/(n-(1+k)))\n\n[1] 3.126601\n<\/strong><\/pre>\n Come interpretare l’errore standard residuo<\/strong><\/span><\/h3>\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire la regressione lineare multipla in R<\/a>
Come eseguire la convalida incrociata per le prestazioni del modello in R<\/a>
Come calcolare la deviazione standard in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"