{"id":1314,"date":"2023-07-26T22:05:53","date_gmt":"2023-07-26T22:05:53","guid":{"rendered":"https:\/\/statorials.org\/it\/tracciare-una-regressione-lineare-multipla-in-r\/"},"modified":"2023-07-26T22:05:53","modified_gmt":"2023-07-26T22:05:53","slug":"tracciare-una-regressione-lineare-multipla-in-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/it\/tracciare-una-regressione-lineare-multipla-in-r\/","title":{"rendered":"Come tracciare i risultati di regressione lineare multipla in r"},"content":{"rendered":"

<\/p>\n

\n

Quando eseguiamo una regressione lineare semplice<\/a> in R, \u00e8 facile visualizzare la linea di regressione adattata perch\u00e9 stiamo lavorando solo con una singola variabile predittrice e una singola variabile di risposta<\/a> .<\/span><\/p>\n

Ad esempio, il codice seguente mostra come adattare un modello di regressione lineare semplice a un set di dati e tracciare i risultati:<\/span> <\/p>\n

 #create dataset\n<\/span>data <- data.frame(x = c(1, 1, 2, 4, 4, 5, 6, 7, 7, 8, 9, 10, 11, 11),\n                   y = c(13, 14, 17, 23, 24, 25, 25, 24, 28, 32, 33, 35, 40, 41))\n\n#fit simple linear regression model\n<\/span>model <- lm(y ~ x, data = data)\n\n#create scatterplot of data\n<\/span>plot(data$x, data$y)\n\n#add fitted regression line\n<\/span>abline(model)\n<\/strong><\/pre>\n
\"Tracciare<\/p>\n
 Possiamo invece utilizzare grafici con variabili aggiunte<\/strong> (a volte chiamati “grafici di regressione parziale”), che sono grafici individuali che mostrano la relazione tra la variabile di risposta e una variabile predittrice, controllando al contempo la presenza di altre variabili predittive nel modello<\/em> .<\/span><\/p>\n
 L’esempio seguente mostra come eseguire una regressione lineare multipla in R e visualizzare i risultati utilizzando grafici con variabili aggiunte.<\/span><\/p>\n
 Esempio: tracciare i risultati della regressione lineare multipla in R<\/strong><\/span><\/h3>\n
 Supponiamo di adattare il seguente modello di regressione lineare multipla a un set di dati in R utilizzando il set di dati mtcars<\/strong> integrato:<\/span><\/p>\n
 #fit multiple linear regression model\nmodel <- lm(mpg ~ disp + hp + drat, data = mtcars)\n<\/span>\n#view results of model\nsummary(model)\n\nCall:\nlm(formula = mpg ~ disp + hp + drat, data = mtcars)\n\nResiduals:\n    Min 1Q Median 3Q Max \n-5.1225 -1.8454 -0.4456 1.1342 6.4958 \n\nCoefficients:\n             Estimate Std. Error t value Pr(>|t|)   \n(Intercept) 19.344293 6.370882 3.036 0.00513 **\navailable -0.019232 0.009371 -2.052 0.04960 * \nhp -0.031229 0.013345 -2.340 0.02663 * \ndrat 2.714975 1.487366 1.825 0.07863 . \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.008 on 28 degrees of freedom\nMultiple R-squared: 0.775, Adjusted R-squared: 0.7509 \nF-statistic: 32.15 on 3 and 28 DF, p-value: 3.28e-09\n<\/span><\/span><\/strong><\/pre>\n
 Dai risultati, possiamo vedere che il valore p per ciascuno dei coefficienti \u00e8 inferiore a 0,1. Per semplicit\u00e0, assumeremo che ciascuna delle variabili predittive sia significativa e debba essere inclusa nel modello.<\/span><\/p>\n
 Per produrre grafici delle variabili aggiunte, possiamo utilizzare la funzione avPlots()<\/strong> dal pacchetto car<\/strong> :<\/span> <\/p>\n
 #load car package\nlibrary(car)\n<\/span>\n#produce added variable plots\navPlots(model)<\/span>\n<\/span><\/strong><\/pre>\n
\"Tracciare<\/p>\n
 Ecco come interpretare ciascuna trama:<\/span><\/p>\n
 Tuttavia, quando eseguiamo una regressione lineare multipla,<\/a> diventa difficile visualizzare i risultati perch\u00e9 esistono pi\u00f9 variabili predittive e non possiamo semplicemente tracciare una linea di regressione su un grafico 2D.<\/span><\/p>\n