<\/p>\n
La regressione lineare \u00e8 un metodo che possiamo utilizzare per quantificare la relazione tra una o pi\u00f9 variabili predittive e una variabile di risposta<\/a> .<\/span><\/p>\n Spesso \u00e8 necessario adattare un modello di regressione utilizzando una o pi\u00f9 variabili categoriali<\/a> come variabili predittive.<\/span><\/p>\n Questo tutorial fornisce un esempio passo passo di come eseguire la regressione lineare con variabili categoriali in R.<\/span><\/p>\n Supponiamo di avere il seguente frame di dati in R che contiene informazioni su tre variabili per 12 diversi giocatori di basket:<\/span><\/p>\n Supponiamo di voler adattare il seguente modello di regressione lineare:<\/span><\/p>\n punti = \u03b2 0<\/sub> + \u03b2 1<\/sub> ore + \u03b2 2<\/sub> programma<\/strong><\/span><\/p>\n In questo esempio, le ore sono una variabile continua, ma il programma \u00e8 una variabile categoriale<\/strong> che pu\u00f2 assumere tre possibili categorie: programma 1, programma 2 o programma 3.<\/span><\/p>\n Per adattare questo modello di regressione e dire a R che la variabile “programma” \u00e8 una variabile categoriale, dobbiamo utilizzare as.factor()<\/strong> per convertirla in un fattore, quindi adattare il modello:<\/span><\/p>\n Dai valori nella colonna Stima<\/strong> , possiamo scrivere il modello di regressione adattato:<\/span><\/p>\n punti = 6.3013 + 0.9744 (ore) + 2.2949 (programma 2) + 6.8462 (programma 3)<\/strong><\/span><\/p>\n Ecco come interpretare i valori dei coefficienti nel risultato:<\/span><\/p>\n Utilizzando il modello di regressione adattato, possiamo prevedere il numero di punti segnati da un giocatore in base al numero totale di ore trascorse ad allenarsi e al programma utilizzato.<\/span><\/p>\n Ad esempio, possiamo utilizzare il seguente codice per prevedere i punti segnati da un giocatore che si \u00e8 allenato per 5 ore e ha utilizzato il programma di allenamento 3:<\/span><\/p>\n Il modello prevede che questo nuovo giocatore segner\u00e0 18.01923<\/strong> punti.<\/span><\/p>\n Possiamo confermare che ci\u00f2 \u00e8 corretto inserendo i valori del nuovo giocatore nell’equazione di regressione adattata:<\/span><\/p>\n Questo corrisponde al valore che abbiamo calcolato utilizzando la funzione predit()<\/strong> in R.<\/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 quantificare la relazione tra una o pi\u00f9 variabili predittive e una variabile di risposta . Spesso \u00e8 necessario adattare un modello di regressione utilizzando una o pi\u00f9 variabili categoriali come variabili predittive. Questo tutorial fornisce un esempio passo passo di come eseguire la regressione lineare […]<\/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: regressione lineare con variabili categoriali in R<\/strong><\/span><\/h2>\n
\n
#create data frame\n<\/span>df <- data. frame<\/span> (points=c(7, 7, 9, 10, 13, 14, 12, 10, 16, 19, 22, 18),\n hours=c(1, 2, 2, 3, 2, 6, 4, 3, 4, 5, 8, 6),\n program=c(1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3))\n\n#view data frame\n<\/span>df\n\n points hours program\n1 7 1 1\n2 7 2 1\n3 9 2 1\n4 10 3 1\n5 13 2 2\n6 14 6 2\n7 12 4 2\n8 10 3 2\n9 16 4 3\n10 19 5 3\n11 22 8 3\n12 18 6 3<\/strong><\/pre>\n #convert 'program' to factor\ndf$program <- as. factor<\/span> (df$program)\n<\/span>\n#fit linear regression model\nfit <- lm(points ~ hours + program, data = df)\n<\/span>\n#view model summary\nsummary(fit)\n\nCall:\nlm(formula = points ~ hours + program, data = df)\n\nResiduals:\n Min 1Q Median 3Q Max \n-1.5192 -1.0064 -0.3590 0.8269 2.4551 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 6.3013 0.9462 6.660 0.000159 ***\nhours 0.9744 0.3176 3.068 0.015401 * \nprogram2 2.2949 1.1369 2.019 0.078234 . \nprogram3 6.8462 1.5499 4.417 0.002235 ** \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 1.403 on 8 degrees of freedom\nMultiple R-squared: 0.9392, Adjusted R-squared: 0.9164 \nF-statistic: 41.21 on 3 and 8 DF, p-value: 3.276e-05<\/span><\/span><\/strong><\/pre>\n\n
\n
\n
\n
#define new player\n<\/span>new <- data. frame<\/span> (hours=c(5), program=as. factor<\/span> (c(3)))\n\n#use the fitted model to predict the points for the new player\n<\/span>predict(fit, newdata=new)\n\n 1 \n18.01923 \n<\/strong><\/pre>\n\n
Risorse addizionali<\/strong><\/span><\/h2>\n
Come eseguire la regressione lineare multipla in R<\/a>
Come creare una trama residua in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"