<\/p>\n
Per adattare un modello di regressione lineare<\/a> in R, possiamo usare il comando lm()<\/strong> .<\/span><\/p>\n Per visualizzare l’output del modello di regressione, possiamo quindi utilizzare il comando summary()<\/strong> .<\/span><\/p>\n Questo tutorial spiega come interpretare ciascun valore dell’output della regressione in R.<\/span><\/p>\n Il codice seguente mostra come adattare un modello di regressione lineare multipla con il set di dati mtcars<\/strong> integrato utilizzando hp<\/em> , drat<\/em> e wt<\/em> come variabili predittive e mpg<\/em> come variabile di risposta:<\/span><\/p>\n Ecco come interpretare ciascun valore nell’output:<\/span><\/p>\n Questa sezione ci ricorda la formula che abbiamo utilizzato nel nostro modello di regressione. Possiamo vedere che abbiamo utilizzato mpg<\/strong> come variabile di risposta e hp<\/strong> , drat<\/strong> e wt<\/strong> come variabili predittive. Ogni variabile proveniva dal set di dati chiamato mtcars<\/strong> .<\/span><\/p>\n Questa sezione mostra un riepilogo della distribuzione dei residui dal modello di regressione. Ricordiamo che un residuo \u00e8 la differenza tra il valore osservato e il valore previsto del modello di regressione.<\/span><\/p>\n Il residuo minimo era -3,3598<\/strong> , il residuo mediano era -0,5099<\/strong> e il residuo massimo era 5,7078<\/strong> .<\/span><\/p>\n In questa sezione vengono visualizzati i coefficienti stimati del modello di regressione. Possiamo utilizzare questi coefficienti per formare la seguente equazione di regressione stimata:<\/span><\/p>\n mpg = 29,39 \u2013 0,03*cv + 1,62*drat \u2013 3,23*peso<\/span><\/p>\n Per ciascuna variabile predittrice, riceviamo i seguenti valori:<\/span><\/p>\n Stima:<\/strong> il coefficiente stimato. Questo ci dice l’aumento medio della variabile di risposta associato a un aumento di un’unit\u00e0 della variabile predittrice, presupponendo che tutte le altre variabili predittive rimangano costanti.<\/span><\/p>\n Standard.<\/strong> Errore<\/strong> : questo \u00e8 l’errore standard del coefficiente. Questa \u00e8 una misura dell\u2019incertezza della nostra stima del coefficiente.<\/span><\/p>\n Valore t:<\/strong> questa \u00e8 la statistica t per la variabile predittore, calcolata come (Stima)\/(Errore standard).<\/span><\/p>\n Pr(>|t|):<\/strong> questo \u00e8 il valore p che corrisponde alla statistica t. Se questo valore \u00e8 inferiore a un certo livello alfa (ad esempio 0,05), la variabile predittiva si dice statisticamente significativa.<\/span><\/p>\n Se utilizzassimo un livello alfa di \u03b1 = 0,05 per determinare quali predittori fossero significativi in questo modello di regressione, diremmo che hp<\/strong> e wt<\/strong> sono predittori statisticamente significativi mentre drat<\/strong> non lo \u00e8.<\/span><\/p>\n Questa sezione finale mostra vari numeri che ci aiutano a valutare quanto bene il modello di regressione si adatta al nostro set di dati.<\/span><\/p>\n Errore standard residuo:<\/strong> ci dice la distanza media tra i valori osservati e la retta di regressione. Pi\u00f9 piccolo \u00e8 il valore, migliore sar\u00e0 la capacit\u00e0 del modello di regressione di adattare i dati.<\/span><\/p>\n I gradi di libert\u00e0 vengono calcolati come nk-1 dove n = numero totale di osservazioni e k = numero di predittori. In questo esempio, mtcars ha 32 osservazioni e abbiamo utilizzato 3 predittori nel modello di regressione, quindi i gradi di libert\u00e0 sono 32 \u2013 3 \u2013 1 = 28.<\/span><\/p>\n R quadrato multiplo:<\/strong> questo \u00e8 chiamato coefficiente di determinazione. Ci dice quanta parte della varianza nella variabile di risposta<\/a> pu\u00f2 essere spiegata dalle variabili predittive.<\/span><\/p>\n Questo valore varia da 0 a 1. Pi\u00f9 si avvicina a 1, pi\u00f9 le variabili predittive sono in grado di prevedere il valore della variabile di risposta.<\/span><\/p>\n R quadrato corretto:<\/strong> si tratta di una versione modificata di R quadrato che \u00e8 stata regolata in base al numero di predittori nel modello. \u00c8 sempre inferiore a R al quadrato.<\/span><\/p>\n L’R quadrato corretto pu\u00f2 essere utile per confrontare l’adattamento di diversi modelli di regressione che utilizzano numeri diversi di variabili predittive.<\/span><\/p>\n Statistica F:<\/strong> indica se il modello di regressione fornisce un adattamento migliore ai dati rispetto a un modello che non contiene variabili indipendenti. Essenzialmente, verifica se il modello di regressione nel suo insieme \u00e8 utile.<\/span><\/p>\n Valore p:<\/strong> questo \u00e8 il valore p che corrisponde alla statistica F. Se questo valore \u00e8 inferiore a un certo livello di significativit\u00e0 (ad esempio 0,05), il modello di regressione si adatta meglio ai dati rispetto a un modello senza predittori.<\/span><\/p>\n Quando costruiamo modelli di regressione, speriamo che questo valore p sia inferiore a un certo livello di significativit\u00e0, perch\u00e9 indica che le variabili predittive sono effettivamente utili nel prevedere il valore della variabile di risposta.<\/span><\/p>\n Come eseguire una regressione lineare semplice in R<\/a> Per adattare un modello di regressione lineare in R, possiamo usare il comando lm() . Per visualizzare l’output del modello di regressione, possiamo quindi utilizzare il comando summary() . Questo tutorial spiega come interpretare ciascun valore dell’output della regressione in R. Esempio: interpretazione dell’output della regressione in R Il codice seguente mostra come adattare un […]<\/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 Esempio: interpretazione dell’output della regressione in R<\/strong><\/h3>\n
#fit regression model using hp, drat, and wt as predictors\n<\/span>model <- lm(mpg ~ hp + drat + wt, data = mtcars)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nlm(formula = mpg ~ hp + drat + wt, data = mtcars)\n\nResiduals:\n Min 1Q Median 3Q Max \n-3.3598 -1.8374 -0.5099 0.9681 5.7078 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 29.394934 6.156303 4.775 5.13e-05 ***\nhp -0.032230 0.008925 -3.611 0.001178 ** \ndrat 1.615049 1.226983 1.316 0.198755 \nwt -3.227954 0.796398 -4.053 0.000364 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 2.561 on 28 degrees of freedom\nMultiple R-squared: 0.8369, Adjusted R-squared: 0.8194 \nF-statistic: 47.88 on 3 and 28 DF, p-value: 3.768e-11\n<\/strong><\/pre>\n Chiamata<\/strong><\/span><\/h3>\n
Call:\nlm(formula = mpg ~ hp + drat + wt, data = mtcars)<\/strong><\/pre>\n
Residuo<\/strong><\/span><\/h3>\n
Residuals:\n Min 1Q Median 3Q Max \n-3.3598 -1.8374 -0.5099 0.9681 5.7078 \n<\/strong><\/pre>\n
Coefficienti<\/strong><\/span><\/h3>\n
Coefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 29.394934 6.156303 4.775 5.13e-05 ***\nhp -0.032230 0.008925 -3.611 0.001178 ** \ndrat 1.615049 1.226983 1.316 0.198755 \nwt -3.227954 0.796398 -4.053 0.000364 ***\n\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n<\/strong><\/pre>\n
Valutazione dell’adeguatezza del modello<\/strong><\/span><\/h3>\n
Residual standard error: 2.561 on 28 degrees of freedom\nMultiple R-squared: 0.8369, Adjusted R-squared: 0.8194 \nF-statistic: 47.88 on 3 and 28 DF, p-value: 3.768e-11\n<\/strong><\/pre>\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire la regressione lineare multipla in R<\/a>
Qual \u00e8 un buon valore R quadrato?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"