1. Crescita esponenziale:<\/strong> la crescita inizia lentamente e poi accelera rapidamente e senza limiti.<\/span> <\/p>\n 2. Decadimento esponenziale:<\/strong> il decadimento inizia rapidamente e poi rallenta per avvicinarsi sempre di pi\u00f9 allo zero.<\/span> <\/p>\n L’equazione per un modello di regressione esponenziale assume la forma seguente:<\/span><\/p>\n y = abx<\/sup><\/span><\/p>\n Oro:<\/span><\/p>\n Il seguente esempio passo passo mostra come eseguire la regressione esponenziale in R.<\/span><\/p>\n Innanzitutto, creiamo dati falsi per due variabili: x<\/em> e y<\/em> :<\/span><\/p>\n Successivamente, creiamo un rapido grafico a dispersione per visualizzare la relazione tra x<\/em> e y<\/em> :<\/span> <\/p>\n Dal grafico possiamo vedere che esiste un chiaro modello di crescita esponenziale tra le due variabili.<\/span><\/p>\n Sembra quindi saggio adattare un’equazione di regressione esponenziale per descrivere la relazione tra le variabili.<\/span><\/p>\n Successivamente, utilizzeremo la funzione lm()<\/strong> per adattare un modello di regressione esponenziale, utilizzando il logaritmo naturale di y<\/em> come variabile di risposta<\/a> e x<\/em> come variabile predittrice:<\/span><\/p>\n Il valore F complessivo<\/a> del modello \u00e8 204 e il valore p corrispondente \u00e8 estremamente basso (2,917e-11), indicando che il modello nel suo insieme \u00e8 utile.<\/span><\/p>\n Utilizzando i coefficienti della tabella di output, possiamo vedere che l’equazione di regressione esponenziale adattata \u00e8:<\/span><\/p>\n ln(y) = 0,9817 + 0,2041(x)<\/strong><\/span><\/p>\n Applicando e<\/em> ad entrambi i membri, possiamo riscrivere l’equazione come segue:<\/span><\/p>\n y = 2,6689 * 1,2264x<\/sup><\/strong><\/span><\/p>\n Possiamo utilizzare questa equazione per prevedere la variabile di risposta, y<\/em> , in base al valore della variabile predittrice, x<\/em> .<\/span> Ad esempio, se x<\/em> = 12, allora prevediamo che y<\/em> sarebbe 30,897<\/strong> :<\/span><\/p>\n y = 2,6689 * 1,2264 12<\/sup> = 30,897<\/span><\/p>\n Bonus:<\/strong> sentiti libero di utilizzare questo calcolatore di regressione esponenziale online per calcolare automaticamente l’equazione di regressione esponenziale per un determinato predittore e variabile di risposta.<\/span><\/p>\n Come eseguire una regressione lineare semplice in R<\/a> La regressione esponenziale \u00e8 un tipo di regressione che pu\u00f2 essere utilizzato per modellare le seguenti situazioni: 1. Crescita esponenziale: la crescita inizia lentamente e poi accelera rapidamente e senza limiti. 2. Decadimento esponenziale: il decadimento inizia rapidamente e poi rallenta per avvicinarsi sempre di pi\u00f9 allo zero. L’equazione per un modello di regressione esponenziale […]<\/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![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/expregexcel1.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/expregexcel2.png\")
<\/p>\n\n
Passaggio 1: creare i dati<\/strong><\/span><\/h3>\n
x=1:20\ny=c(1, 3, 5, 7, 9, 12, 15, 19, 23, 28, 33, 38, 44, 50, 56, 64, 73, 84, 97, 113)\n<\/strong><\/pre>\n
Passaggio 2: visualizzare i dati<\/strong><\/h3>\n
plot(x, y)<\/strong> <\/pre>\n
![\"Esempio](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/expregr1.png\")
<\/p>\n Passaggio 3: adattare il modello di regressione esponenziale<\/strong><\/span><\/h3>\n
#fit the model<\/span>\nmodel <- lm( log<\/span> (y) ~ x)<\/strong>\n\n#view the output of the model<\/span>\nsummary(model)\n\nCall:\nlm(formula = log(y) ~ x)\n\nResiduals:\n Min 1Q Median 3Q Max \n-1.1858 -0.1768 0.1104 0.2720 0.3300 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 0.98166 0.17118 5.735 1.95e-05 ***\nx 0.20410 0.01429 14.283 2.92e-11 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 0.3685 on 18 degrees of freedom\nMultiple R-squared: 0.9189, Adjusted R-squared: 0.9144 \nF-statistic: 204 on 1 and 18 DF, p-value: 2.917e-11<\/strong><\/pre>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire la regressione lineare multipla in R<\/a>
Come eseguire la regressione quadratica in R<\/a>
Come eseguire la regressione polinomiale in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"