Per utilizzare il metodo dei minimi quadrati per adattare una retta di regressione in R, possiamo utilizzare la funzione lm()<\/strong> .<\/span><\/p>\n Questa funzione utilizza la seguente sintassi di base:<\/span><\/p>\n L’esempio seguente mostra come utilizzare questa funzione in R.<\/span><\/p>\n Supponiamo di avere il seguente frame di dati in R che mostra il numero di ore studiate e il corrispondente punteggio dell’esame per 15 studenti in una classe:<\/span><\/p>\n Possiamo utilizzare la funzione lm()<\/strong> per utilizzare il metodo dei minimi quadrati per adattare una linea di regressione a questi dati:<\/span><\/p>\n Dai valori nella colonna Risultato stimato<\/strong> , possiamo scrivere la seguente linea di regressione adattata:<\/span><\/p>\n Punteggio esame = 65.334 + 1.982 (ore)<\/span><\/p>\n Ecco come interpretare ciascun coefficiente nel modello:<\/span><\/p>\n Possiamo utilizzare questa equazione per stimare il voto dell’esame che uno studente ricever\u00e0 in base alle ore di studio.<\/span><\/p>\n Ad esempio, se uno studente studia per 5 ore, stimeremmo che il punteggio dell’esame sarebbe 75.244:<\/span><\/p>\n Punteggio esame = 65.334 + 1.982(5) = 75.244<\/span><\/p>\n Infine, possiamo creare un grafico a dispersione dei dati originali con la linea di regressione adattata sovrapposta al grafico:<\/span> <\/p>\n I cerchi blu rappresentano i dati e la linea nera rappresenta la linea di regressione adattata.<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in R:<\/span><\/p>\n Come creare una trama residua in R<\/a> Il metodo dei minimi quadrati \u00e8 un metodo che possiamo utilizzare per trovare la retta di regressione che meglio si adatta a un dato insieme di dati. Per utilizzare il metodo dei minimi quadrati per adattare una retta di regressione in R, possiamo utilizzare la funzione lm() . Questa funzione utilizza la seguente sintassi di […]<\/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 model <- lm(response ~ predictor, data=df)\n<\/strong><\/pre>\n
Esempio: metodo dei minimi quadrati in R<\/strong><\/span><\/h2>\n
#create data frame\n<\/span>df <- data. frame<\/span> (hours=c(1, 2, 4, 5, 5, 6, 6, 7, 8, 10, 11, 11, 12, 12, 14),\n score=c(64, 66, 76, 73, 74, 81, 83, 82, 80, 88, 84, 82, 91, 93, 89))\n\n#view first six rows of data frame\n<\/span>head(df)\n\n hours score\n1 1 64\n2 2 66\n3 4 76\n4 5 73\n5 5 74\n6 6 81\n<\/strong><\/pre>\n #use method of least squares to fit regression line\n<\/span>model <- lm(score ~ hours, data=df)\n\n#view regression model summary<\/span>\nsummary(model)\n\nCall:\nlm(formula = score ~ hours, data = df)\n\nResiduals:\n Min 1Q Median 3Q Max \n-5,140 -3,219 -1,193 2,816 5,772 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 65,334 2,106 31,023 1.41e-13 ***\nhours 1.982 0.248 7.995 2.25e-06 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.641 on 13 degrees of freedom\nMultiple R-squared: 0.831, Adjusted R-squared: 0.818 \nF-statistic: 63.91 on 1 and 13 DF, p-value: 2.253e-06\n<\/strong><\/pre>\n\n
#create scatter plot of data\n<\/span>plot(df$hours, df$score, pch=16, col=' steelblue<\/span> ')\n\n#add fitted regression line to scatter plot\n<\/span>abline(model)\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/methode1.jpg\")
<\/p>\n Risorse addizionali<\/span><\/strong><\/h2>\n
Come testare la multicollinearit\u00e0 in R<\/a>
Come eseguire l’adattamento della curva in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"