In genere, quando eseguiamo una regressione lineare, vogliamo stimare il valore medio della variabile di risposta.<\/span><\/p>\n Tuttavia, potremmo invece utilizzare un metodo noto come regressione quantilica<\/strong> per stimare qualsiasi<\/em> valore quantile o percentile del valore di risposta, come il 70\u00b0 percentile, il 90\u00b0 percentile, il 98\u00b0 percentile, ecc.<\/span><\/p>\n Per eseguire la regressione quantile in R, possiamo utilizzare la funzione rq()<\/strong> dal pacchetto quantreg<\/a> , che utilizza la seguente sintassi:<\/span><\/p>\n Oro:<\/span><\/p>\n Questo tutorial fornisce un esempio passo passo di come utilizzare questa funzione per eseguire la regressione quantile in R.<\/span><\/p>\n Per questo esempio, creeremo un set di dati contenente le ore studiate e i risultati degli esami ottenuti per 100 studenti diversi in un’universit\u00e0:<\/span><\/p>\n Successivamente, adatteremo un modello di regressione quantile utilizzando le ore studiate come variabile predittiva e i punteggi degli esami come variabile di risposta.<\/span><\/p>\n Utilizzeremo il modello per prevedere il 90\u00b0 percentile previsto dei punteggi degli esami in base al numero di ore studiate:<\/span><\/p>\n Dal risultato possiamo vedere l\u2019equazione di regressione stimata:<\/span><\/p>\n Punteggio esame 90\u00b0 percentile = 60,25 + 2,437*(ore)<\/span><\/p>\n Ad esempio, il punteggio del 90\u00b0 percentile per tutti gli studenti che studiano 8 ore dovrebbe essere 79,75:<\/span><\/p>\n 90\u00b0 percentile del punteggio dell’esame = 60,25 + 2,437*(8) = 79,75<\/strong> .<\/span><\/p>\n L’output visualizza inoltre i limiti di confidenza superiore e inferiore per l’intercetta e i tempi della variabile predittiva.<\/span><\/p>\n Possiamo anche visualizzare i risultati della regressione creando un grafico a dispersione con l’equazione di regressione quantilica adattata sovrapposta al grafico:<\/span> <\/p>\n A differenza di una linea di regressione lineare tradizionale, si noti che questa linea adattata non passa attraverso il cuore dei dati. Passa invece attraverso il 90\u00b0 percentile stimato a ciascun livello della variabile predittrice.<\/span><\/p>\n Possiamo vedere la differenza tra l’equazione di regressione quantile adattata e l’equazione di regressione lineare semplice aggiungendo l’argomento geom_smooth()<\/strong> :<\/span> <\/p>\n La linea nera mostra la linea di regressione quantile corretta per il 90\u00b0 percentile e la linea blu mostra la linea di regressione lineare semplice, che stima il valore medio della variabile di risposta.<\/span><\/p>\n Come previsto, la retta di regressione lineare semplice attraversa i dati e ci mostra il valore medio stimato dei punteggi degli esami a livello di ogni ora.<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in R:<\/span><\/p>\n Come eseguire una regressione lineare semplice in R<\/a> La regressione lineare \u00e8 un metodo che possiamo utilizzare per comprendere la relazione tra una o pi\u00f9 variabili predittive e una variabile di risposta . In genere, quando eseguiamo una regressione lineare, vogliamo stimare il valore medio della variabile di risposta. Tuttavia, potremmo invece utilizzare un metodo noto come regressione quantilica per stimare qualsiasi valore […]<\/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 library<\/span> (quantreg)\n\nmodel <- rq(y ~ x, data = dataset, tau = 0.5<\/span> )\n<\/strong><\/pre>\n\n
Passaggio 1: inserisci i dati<\/strong><\/span><\/h2>\n
#make this example reproducible\n<\/span>set.seed(0)\n\n#create data frame<\/span> \nhours <- runif(100, 1, 10)\nscore <- 60 + 2*hours + rnorm(100, mean=0, sd=.45*hours)\ndf <- data.frame(hours, score)\n\n#view first six rows<\/span>\nhead(df)\n\n hours score\n1 9.070275 79.22682\n2 3.389578 66.20457\n3 4.349115 73.47623\n4 6.155680 70.10823\n5 9.173870 78.12119\n6 2.815137 65.94716\n<\/strong><\/pre>\n Passaggio 2: eseguire la regressione quantilica<\/strong><\/span><\/h2>\n
library<\/span> (quantreg)\n\n#fit model\n<\/span>model <- rq(score ~ hours, data = df, tau = 0.9<\/span> )\n\n#view summary of model\n<\/span>summary(model)\n\nCall: rq(formula = score ~ hours, tau = 0.9, data = df)\n\ntau: [1] 0.9\n\nCoefficients:\n coefficients lower bd upper bd\n(Intercept) 60.25185 59.27193 62.56459\nhours 2.43746 1.98094 2.76989\n<\/strong><\/pre>\n Passaggio 3: visualizzare i risultati<\/strong><\/span><\/h2>\n
library<\/span> (ggplot2)\n\n#create scatterplot with quantile regression line\n<\/span>ggplot(df, aes(hours,score)) +\n geom_point() + \n geom_abline(intercept= coef<\/span> (model)[1], slope= coef<\/span> (model)[2])<\/strong> <\/pre>\n![\"Esempio](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quantileregr1.png\")
<\/p>\n library<\/span> (ggplot2)\n\n#create scatterplot with quantile regression line and<\/em> simple linear regression line\n<\/span>ggplot(df, aes(hours,score)) +\n geom_point() + \n geom_abline(intercept= coef<\/span> (model)[1], slope= coef<\/span> (model)[2]) +\n geom_smooth(method=\" lm<\/span> \", se= F<\/span> )<\/strong> <\/pre>\n![\"Regressione](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quantileregr2.png\")
<\/p>\n Risorse addizionali<\/strong><\/span><\/h2>\n
Come eseguire la regressione lineare multipla in R<\/a>
Come eseguire la regressione quadratica in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"