<\/p>\n
Wanneer we een lineair regressiemodel in R passen, neemt het model de volgende vorm aan:<\/span><\/p>\n Y = \u03b2 0<\/sub> + \u03b2 1<\/sub> X + \u2026 + \u03b2 ik<\/sub><\/span><\/p>\n waarbij \u03f5 een foutterm is die onafhankelijk is van X.<\/span><\/p>\n Hoe X ook kan worden gebruikt om de waarden van Y te voorspellen, er zullen altijd willekeurige fouten in het model voorkomen. E\u00e9n manier om de spreiding van deze willekeurige fout te meten is door de resterende standaardfout<\/strong> te gebruiken, wat een manier is om de standaardafwijking van de residuen \u03f5 te meten.<\/span><\/p>\n De resterende standaardfout van een regressiemodel wordt als volgt berekend:<\/span><\/p>\n Residuele standaardfout = \u221a SS- residuen<\/sub> \/ df -residuen<\/sub><\/span><\/strong><\/span><\/p>\n Goud:<\/span><\/p>\n Er zijn drie methoden die we kunnen gebruiken om de resterende standaardfout van een regressiemodel in R te berekenen.<\/span><\/p>\n De eerste manier om de resterende standaardfout te verkrijgen, is door eenvoudigweg een lineair regressiemodel te fitten en vervolgens de opdracht summary()<\/strong> te gebruiken om de modelresultaten te verkrijgen. Zoek dan gewoon naar „resterende standaardfout“ onderaan de uitvoer:<\/span><\/p>\n We kunnen zien dat de resterende standaardfout 3,127<\/strong> is.<\/span><\/p>\n Een andere manier om de resterende standaardfout (RSE) te verkrijgen, is door een lineair regressiemodel te gebruiken en vervolgens de volgende formule te gebruiken om de RSE te berekenen:<\/span><\/p>\n Zo implementeert u deze formule in R:<\/span><\/p>\n We kunnen zien dat de resterende standaardfout 3.126601<\/strong> is.<\/span><\/p>\n Een andere manier om de resterende standaardfout te verkrijgen, is door een lineair regressiemodel te gebruiken en vervolgens een stapsgewijze aanpak te gebruiken om elke afzonderlijke component van de RSE-formule te berekenen:<\/span><\/p>\n We kunnen zien dat de resterende standaardfout 3.126601<\/strong> is.<\/span><\/p>\n Zoals eerder vermeld is de residuele standaardfout (RSE) een manier om de standaarddeviatie van de residuen in een regressiemodel te meten.<\/span><\/p>\n Hoe lager de CSR-waarde, hoe beter een model in de gegevens kan passen (maar wees voorzichtig met overfitting<\/a> ). Dit kan een nuttige statistiek zijn om te gebruiken bij het vergelijken van twee of meer modellen om te bepalen welk model het beste bij de gegevens past.<\/span><\/p>\n Hoe de resterende standaardfout te interpreteren<\/a> Wanneer we een lineair regressiemodel in R passen, neemt het model de volgende vorm aan: Y = \u03b2 0 + \u03b2 1 X + \u2026 + \u03b2 ik waarbij \u03f5 een foutterm is die onafhankelijk is van X. Hoe X ook kan worden gebruikt om de waarden van Y te voorspellen, er zullen altijd willekeurige […]<\/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-1062","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Methode 1: Analyseer de modelsamenvatting<\/strong><\/span><\/h3>\n
#load built-in mtcars<\/em> dataset<\/span>\ndata(mtcars)\n\n#fit 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<\/span> 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 Methode 2: Gebruik een eenvoudige formule<\/strong><\/span><\/h3>\n
sqrt( deviance<\/span> (model)\/df. residual<\/span> (model))\n<\/strong><\/pre>\n #load built-in mtcars<\/em> dataset<\/span>\ndata(mtcars)\n\n#fit regression model\n<\/span>model <- lm(mpg~disp+hp, data=mtcars)\n\n#calculate residual standard error\n<\/span>sqrt( deviance<\/span> (model)\/df. residual<\/span> (model))\n\n[1] 3.126601\n<\/strong><\/pre>\n Methode 3: Gebruik een stapsgewijze formule<\/strong><\/span><\/h3>\n
#load built-in mtcars<\/em> dataset<\/span>\ndata(mtcars)\n\n#fit regression model\n<\/span>model <- lm(mpg~disp+hp, data=mtcars)\n\n#calculate the number of model parameters - 1\n<\/span>k=length(model$ coefficients<\/span> )-1\n\n#calculate sum of squared residuals<\/span>\nSSE=sum(model$ residuals<\/span> **2)\n\n#calculate total observations in dataset<\/span>\nn=length(model$ residuals<\/span> )\n\n#calculate residual standard error<\/span>\nsqrt(SSE\/(n-(1+k)))\n\n[1] 3.126601\n<\/strong><\/pre>\n Hoe de resterende standaardfout te interpreteren<\/strong><\/span><\/h3>\n
Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe meervoudige lineaire regressie uit te voeren in R<\/a>
Hoe u kunt kruisvalideren voor modelprestaties in R<\/a>
Hoe de standaarddeviatie in R te berekenen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"