<\/p>\n
Il linguaggio di programmazione R fornisce le seguenti funzioni per l’adattamento di modelli lineari:<\/span><\/p>\n 1. lm \u2013 Utilizzato per adattarsi ai modelli lineari<\/strong><\/span><\/p>\n Questa funzione utilizza la seguente sintassi:<\/span><\/p>\n lm(formula, dati, \u2026)<\/strong><\/span><\/p>\n Oro:<\/span><\/p>\n 2. glm \u2013 Utilizzato per adattare modelli lineari generalizzati<\/strong><\/span><\/p>\n Questa funzione utilizza la seguente sintassi:<\/span><\/p>\n glm(formula, famiglia=gaussiana, dati, \u2026)<\/strong><\/span><\/p>\n Oro:<\/span><\/p>\n Tieni presente che l’unica differenza tra queste due funzioni \u00e8 l’argomento family<\/strong> incluso nella funzione glm()<\/strong> .<\/span><\/p>\n Se usi lm() o glm() per adattare un modello di regressione lineare, produrranno esattamente gli stessi risultati<\/strong> .<\/span><\/p>\n Tuttavia, la funzione glm() pu\u00f2 essere utilizzata anche per adattare modelli pi\u00f9 complessi come:<\/span><\/p>\n Gli esempi seguenti mostrano come utilizzare nella pratica le funzioni lm() e glm().<\/span><\/p>\n Il codice seguente mostra come adattare un modello di regressione lineare<\/strong> utilizzando la funzione lm():<\/span><\/p>\n Il codice seguente mostra come adattare esattamente lo stesso modello di regressione lineare<\/strong> utilizzando la funzione glm():<\/span><\/p>\n Si noti che le stime dei coefficienti e gli errori standard delle stime dei coefficienti sono esattamente gli stessi prodotti dalla funzione lm().<\/span><\/p>\n Tieni presente che possiamo anche utilizzare la funzione glm() per adattare un modello di regressione logistica<\/strong> specificando family=binomial come segue:<\/span><\/p>\n Possiamo anche utilizzare la funzione glm() per adattare un modello di regressione di Poisson<\/strong> specificando family=poisson come segue:<\/span><\/p>\n Come eseguire una regressione lineare semplice in R<\/a> Il linguaggio di programmazione R fornisce le seguenti funzioni per l’adattamento di modelli lineari: 1. lm \u2013 Utilizzato per adattarsi ai modelli lineari Questa funzione utilizza la seguente sintassi: lm(formula, dati, \u2026) Oro: formula: la formula del modello lineare (ad esempio y ~ x1 + x2) dati: il nome del blocco dati che contiene i […]<\/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
\n
\n
Esempio di utilizzo della funzione lm()<\/strong><\/span><\/h3>\n
#fit multiple linear 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 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 Esempi di utilizzo della funzione glm()<\/strong><\/span><\/h3>\n
#fit multiple linear regression model\n<\/span>model <- glm(mpg ~ disp + hp, data=mtcars)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nglm(formula = mpg ~ disp + hp, data = mtcars)\n\nDeviance Residuals: \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\n(Dispersion parameter for gaussian family taken to be 9.775636)\n\n Null deviance: 1126.05 on 31 degrees of freedom\nResidual deviance: 283.49 on 29 degrees of freedom\nAIC: 168.62\n\nNumber of Fisher Scoring iterations: 2<\/strong><\/pre>\n #fit logistic regression model\n<\/span>model <- glm(am ~ disp + hp, data=mtcars, family=binomial)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nglm(formula = am ~ disp + hp, family = binomial, data = mtcars)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-1.9665 -0.3090 -0.0017 0.3934 1.3682 \n\nCoefficients:\n Estimate Std. Error z value Pr(>|z|) \n(Intercept) 1.40342 1.36757 1.026 0.3048 \navailable -0.09518 0.04800 -1.983 0.0474 *\nhp 0.12170 0.06777 1.796 0.0725 .\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\n(Dispersion parameter for binomial family taken to be 1)\n\n Null deviance: 43,230 on 31 degrees of freedom\nResidual deviance: 16,713 on 29 degrees of freedom\nAIC: 22,713\n\nNumber of Fisher Scoring iterations: 8\n<\/strong><\/pre>\n #fit Poisson regression model\n<\/span>model <- glm(am ~ disp + hp, data=mtcars, family=fish)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nglm(formula = am ~ disp + hp, family = fish, data = mtcars)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-1.1266 -0.4629 -0.2453 0.1797 1.5428 \n\nCoefficients:\n Estimate Std. Error z value Pr(>|z|) \n(Intercept) 0.214255 0.593463 0.361 0.71808 \navailable -0.018915 0.007072 -2.674 0.00749 **\nhp 0.016522 0.007163 2.307 0.02107 * \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\n(Dispersion parameter for fish family taken to be 1)\n\n Null deviance: 23,420 on 31 degrees of freedom\nResidual deviance: 10,526 on 29 degrees of freedom\nAIC: 42,526\n\nNumber of Fisher Scoring iterations: 6\n<\/strong><\/pre>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire la regressione lineare multipla in R<\/a>
Come utilizzare la funzione di previsione con glm in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"