Wanneer we meervoudige lineaire regressie uitvoeren, zijn de resulterende regressieco\u00ebffici\u00ebnten doorgaans niet gestandaardiseerd<\/strong> , wat betekent dat ze de onbewerkte gegevens gebruiken om de best passende lijn te vinden.<\/span><\/p>\n Wanneer voorspellende variabelen echter op radicaal verschillende schalen worden gemeten, kan het nuttig zijn om meervoudige lineaire regressie uit te voeren met behulp van gestandaardiseerde gegevens, wat resulteert in gestandaardiseerde<\/strong> co\u00ebffici\u00ebnten.<\/span><\/p>\n Laten we een eenvoudig voorbeeld doornemen om u te helpen dit idee te begrijpen.<\/span><\/p>\n Stel dat we de volgende dataset hebben met informatie over de leeftijd, vierkante meters en verkoopprijs van 12 woningen:<\/span> <\/p>\n Stel dat we vervolgens een meervoudige lineaire regressie uitvoeren, waarbij we leeftijd<\/strong> en vierkante meters<\/strong> gebruiken als voorspellende variabelen en prijs<\/strong> als responsvariabele.<\/span><\/p>\n Hier is het resultaat van de regressie<\/a> :<\/span> <\/p>\n De regressieco\u00ebffici\u00ebnten in deze tabel zijn niet gestandaardiseerd<\/strong> , wat betekent dat ze de ruwe gegevens hebben gebruikt om in dit regressiemodel te passen.<\/span> Op het eerste gezicht lijkt het erop dat leeftijd<\/strong> een veel groter effect heeft op de vastgoedprijs, aangezien de co\u00ebffici\u00ebnt in de regressietabel -409.833<\/strong> bedraagt, vergeleken met slechts 100.866<\/strong> voor de voorspellende variabele vierkante meters<\/strong> .<\/span><\/p>\n De standaardfout is echter veel groter voor leeftijd dan voor vierkante meters. Daarom is de overeenkomstige p-waarde feitelijk groot voor leeftijd (p = 0,520) en klein voor vierkante meters (p = 0,000).<\/span><\/p>\n De reden voor de extreme verschillen in de regressieco\u00ebffici\u00ebnten is te wijten aan de extreme verschillen in de schalen voor de twee variabelen:<\/span><\/p>\n Stel dat we in plaats daarvan de originele onbewerkte gegevens normaliseren<\/strong> door elke originele gegevenswaarde om te zetten in een z-score:<\/span> <\/p>\n Als we vervolgens een meervoudige lineaire regressie uitvoeren met behulp van de gestandaardiseerde gegevens, verkrijgen we het volgende regressieresultaat:<\/span> <\/p>\n De regressieco\u00ebffici\u00ebnten in deze tabel zijn gestandaardiseerd<\/strong> , wat betekent dat er gestandaardiseerde gegevens zijn gebruikt om in dit regressiemodel te passen. De manier om de co\u00ebffici\u00ebnten in de tabel te interpreteren is als volgt:<\/span><\/p>\n We kunnen meteen zien dat vierkante meters een veel groter effect hebben op de vastgoedprijzen dan leeftijd. Merk ook op dat de p-waarden voor elke voorspellende variabele exact hetzelfde zijn als die in het vorige regressiemodel.<\/span><\/p>\n Gerelateerd:<\/span><\/strong> Z-scores berekenen in Excel<\/a><\/p>\n Zowel gestandaardiseerde als niet-gestandaardiseerde regressieco\u00ebffici\u00ebnten kunnen afhankelijk van de situatie nuttig zijn. Speciaal:<\/span><\/p>\n Niet-gestandaardiseerde regressieco\u00ebffici\u00ebnten<\/strong> zijn handig als u het effect wilt interpreteren dat een verandering van \u00e9\u00e9n eenheid in een voorspellende variabele heeft op een responsvariabele. In het bovenstaande voorbeeld kunnen we de niet-gestandaardiseerde regressieco\u00ebffici\u00ebnten van de eerste regressie gebruiken om de exacte relatie tussen de voorspellende variabelen en de responsvariabele te begrijpen:<\/span><\/p>\n Gestandaardiseerde regressieco\u00ebffici\u00ebnten<\/strong> zijn handig als u het effect van verschillende voorspellende variabelen op een responsvariabele wilt vergelijken. Omdat elke variabele gestandaardiseerd is, kunt u zien welke variabele het grootste<\/em> effect heeft op de responsvariabele.<\/span><\/p>\n Het nadeel van gestandaardiseerde regressieco\u00ebffici\u00ebnten is dat ze iets moeilijker te interpreteren zijn. Het is bijvoorbeeld gemakkelijker om het effect van een stijging van \u00e9\u00e9n leeftijdseenheid op de prijs van onroerend goed te begrijpen dan het effect van een stijging van \u00e9\u00e9n standaardafwijking op de prijs van onroerend goed.<\/span><\/p>\n Een regressietabel lezen en interpreteren<\/a> Meervoudige lineaire regressie is een nuttige manier om de relatie tussen twee of meer voorspellende variabelen en een responsvariabele te kwantificeren. Wanneer we meervoudige lineaire regressie uitvoeren, zijn de resulterende regressieco\u00ebffici\u00ebnten doorgaans niet gestandaardiseerd , wat betekent dat ze de onbewerkte gegevens gebruiken om de best passende lijn te vinden. Wanneer voorspellende variabelen echter op […]<\/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":[],"class_list":["post-1006","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Voorbeeld: gestandaardiseerde en niet-gestandaardiseerde regressieco\u00ebffici\u00ebnten<\/strong><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standardise1.png\")
<\/p>\n![\"Voorbeeld](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standardise2.png\")
<\/p>\n\n
![\"Standaardiseer](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standardise3.png\")
<\/p>\n![\"Gestandaardiseerde](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standardise4.png\")
<\/p>\n\n
Wanneer gestandaardiseerde of niet-gestandaardiseerde regressieco\u00ebffici\u00ebnten gebruiken?<\/strong><\/span><\/h3>\n
\n
Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe regressieco\u00ebffici\u00ebnten te interpreteren<\/a>
Hoe u meerdere lineaire regressies uitvoert in Excel<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"