Hoe de confit()-functie in r te gebruiken

U kunt de functie confint() in R gebruiken om een betrouwbaarheidsinterval te berekenen voor een of meer parameters in een aangepast regressiemodel.

Deze functie gebruikt de volgende basissyntaxis:

confit(object, parm, niveau=0,95)

Goud:

• object : Naam van het gepaste regressiemodel
• parm : Parameters waarvoor het betrouwbaarheidsinterval moet worden berekend (standaard is alles)
• niveau : te gebruiken betrouwbaarheidsniveau (standaardwaarde is 0,95)

Het volgende voorbeeld laat zien hoe u deze functie in de praktijk kunt gebruiken.

Voorbeeld: hoe u de functie confit() in R gebruikt

Stel dat we het volgende gegevensframe in R hebben dat het aantal uren aan studeren toont, het aantal afgelegde oefenexamens en de eindexamenscore van 10 studenten in een klas:

 #create data frame
df <- data. frame (score=c(77, 79, 84, 85, 88, 99, 95, 90, 92, 94),
                 hours=c(1, 1, 2, 3, 2, 4, 4, 2, 3, 3),
                 prac_exams=c(2, 3, 3, 2, 4, 5, 4, 3, 5, 4))

#view data frame
df

   score hours prac_exams
1 77 1 2
2 79 1 3
3 84 2 3
4 85 3 2
5 88 2 4
6 99 4 5
7 95 4 4
8 90 2 3
9 92 3 5
10 94 3 4

Stel nu dat we het volgende meervoudige lineaire regressiemodel in R willen passen:

Examenscore = β ₀ + β ₁ (uren) + β ₂ (praktijkexamens)

We kunnen de functie lm() gebruiken om dit model aan te passen:

 #fit multiple linear regression model
fit <- lm(score ~ hours + prac_exams, data=df)

#view summary of model
summary(fit)

Call:
lm(formula = score ~ hours + prac_exams, data = df)

Residuals:
    Min 1Q Median 3Q Max 
-2.4324 -1.2632 -0.8956 0.4316 5.1412 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 68.4029 2.8723 23.815 5.85e-08 ***
hours 4.1912 0.9961 4.207 0.0040 ** 
prac_exams 2.6912 0.9961 2.702 0.0306 *  
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 2.535 on 7 degrees of freedom
Multiple R-squared: 0.9005, Adjusted R-squared: 0.8721 
F-statistic: 31.68 on 2 and 7 DF, p-value: 0.0003107

Merk op dat de modelsamenvatting de aangepaste regressiecoëfficiënten weergeeft:

• Onderschepping = 68,4029
• uur = 4,1912
• praktijkexamens = 2,6912

Om voor elk van deze coëfficiënten een betrouwbaarheidsinterval van 95% te verkrijgen, kunnen we de functie confint() gebruiken:

 #calculate 95% confidence interval for each coefficient in model
confined(fit)

                 2.5% 97.5%
(Intercept) 61.6111102 75.194772
hours 1.8357237 6.546629
prac_exams 0.3357237 5.046629

Het 95% betrouwbaarheidsinterval voor elke parameter wordt aangegeven:

• 95% BI voor onderschepping = [61,61; 75,19]
• 95% BI voor uren = [1,84, 6,55]
• 95% BI voor praktijkexamens = [0,34, 5,05]

Om een betrouwbaarheidsinterval van 99% te berekenen, wijzigt u eenvoudigweg de waarde van het niveau- argument:

 #calculate 99% confidence interval for each coefficient in model
confint(fit, level= 0.99 )

                 0.5% 99.5%
(Intercept) 58.3514926 78.454390
hours 0.7052664 7.677087
prac_exams -0.7947336 6.177087

En om alleen een betrouwbaarheidsinterval voor een specifieke parameter te berekenen, specificeert u eenvoudigweg de coëfficiënt met behulp van het parm- argument:

 #calculate 99% confidence interval for hours
confint(fit, parm=' hours ', level= 0.99 )

          0.5% 99.5%
hours 0.7052664 7.677087

Houd er rekening mee dat het betrouwbaarheidsinterval van 99% alleen wordt weergegeven voor de variabele uren.

Aanvullende bronnen

De volgende zelfstudies bieden aanvullende informatie over lineaire regressie in R:

Hoe regressie-uitvoer in R te interpreteren
Hoe eenvoudige lineaire regressie uit te voeren in R
Hoe meervoudige lineaire regressie uit te voeren in R
Hoe logistische regressie uit te voeren in R