<\/p>\n
Om een lineair regressiemodel<\/a> in R te passen, kunnen we de opdracht lm()<\/strong> gebruiken.<\/span><\/p>\n Om de uitvoer van het regressiemodel weer te geven, kunnen we vervolgens de opdracht summary()<\/strong> gebruiken.<\/span><\/p>\n In deze zelfstudie wordt uitgelegd hoe u elke waarde van de regressie-uitvoer in R interpreteert.<\/span><\/p>\n De volgende code laat zien hoe u een meervoudig lineair regressiemodel kunt aanpassen aan de ge\u00efntegreerde mtcars-<\/strong> gegevensset met behulp van hp<\/em> , drat<\/em> en wt<\/em> als voorspellende variabelen en mpg<\/em> als responsvariabele:<\/span><\/p>\n Zo interpreteert u elke waarde in de uitvoer:<\/span><\/p>\n Dit gedeelte herinnert ons aan de formule die we in ons regressiemodel hebben gebruikt. We kunnen zien dat we mpg<\/strong> als responsvariabele en hp<\/strong> , drat<\/strong> en wt<\/strong> als voorspellende variabelen hebben gebruikt. Elke variabele kwam uit de dataset genaamd mtcars<\/strong> .<\/span><\/p>\n Deze sectie geeft een samenvatting weer van de verdeling van residuen uit het regressiemodel. Bedenk dat een residu het verschil is tussen de waargenomen waarde en de voorspelde waarde van het regressiemodel.<\/span><\/p>\n Het minimale residu was -3,3598<\/strong> , het mediane residu was -0,5099<\/strong> en het maximale residu was 5,7078<\/strong> .<\/span><\/p>\n In deze sectie worden de geschatte co\u00ebffici\u00ebnten van het regressiemodel weergegeven. We kunnen deze co\u00ebffici\u00ebnten gebruiken om de volgende geschatte regressievergelijking te vormen:<\/span><\/p>\n mpg = 29,39 \u2013 0,03*pk + 1,62*drat \u2013 3,23*gewicht<\/span><\/p>\n Voor elke voorspellende variabele ontvangen we de volgende waarden:<\/span><\/p>\n Schatting:<\/strong> de geschatte co\u00ebffici\u00ebnt. Dit vertelt ons de gemiddelde toename van de responsvariabele die gepaard gaat met een toename van \u00e9\u00e9n eenheid in de voorspellende variabele, ervan uitgaande dat alle andere voorspellende variabelen constant blijven.<\/span><\/p>\n Standaard.<\/strong> Fout<\/strong> : Dit is de standaardfout van de co\u00ebffici\u00ebnt. Dit is een maatstaf voor de onzekerheid van onze schatting van de co\u00ebffici\u00ebnt.<\/span><\/p>\n t-waarde:<\/strong> Dit is de t-statistiek voor de voorspellende variabele, berekend als (schatting) \/ (standaardfout).<\/span><\/p>\n Pr(>|t|):<\/strong> Dit is de p-waarde die overeenkomt met de t-statistiek. Als deze waarde onder een bepaald alfaniveau ligt (bijvoorbeeld 0,05), wordt de voorspellende variabele statistisch significant genoemd.<\/span><\/p>\n Als we een alfaniveau van \u03b1 = 0,05 zouden gebruiken om te bepalen welke voorspellers significant waren in dit regressiemodel, zouden we zeggen dat hp<\/strong> en wt<\/strong> statistisch significante voorspellers zijn, terwijl drat<\/strong> dat niet is.<\/span><\/p>\n In dit laatste gedeelte worden verschillende cijfers weergegeven die ons helpen te beoordelen hoe goed het regressiemodel bij onze dataset past.<\/span><\/p>\n Residuele standaardfout:<\/strong> dit vertelt ons de gemiddelde afstand tussen de waargenomen waarden en de regressielijn. Hoe kleiner de waarde, hoe beter het regressiemodel bij de gegevens kan passen.<\/span><\/p>\n Vrijheidsgraden worden berekend als nk-1 waarbij n = totaal aantal waarnemingen en k = aantal voorspellers. In dit voorbeeld heeft mtcars 32 waarnemingen en hebben we 3 voorspellers gebruikt in het regressiemodel, dus de vrijheidsgraden zijn 32 \u2013 3 \u2013 1 = 28.<\/span><\/p>\n Meerdere R-kwadraat:<\/strong> Dit wordt de determinatieco\u00ebffici\u00ebnt genoemd. Het vertelt ons hoeveel van de variantie in de responsvariabele<\/a> kan worden verklaard door de voorspellende variabelen.<\/span><\/p>\n Deze waarde varieert van 0 tot 1. Hoe dichter deze bij 1 ligt, hoe beter de voorspellende variabelen in staat zijn de waarde van de responsvariabele te voorspellen.<\/span><\/p>\n Aangepaste R-kwadraat:<\/strong> Dit is een aangepaste versie van R-kwadraat die is aangepast op basis van het aantal voorspellers in het model. Het is altijd kleiner dan R kwadraat.<\/span><\/p>\n Aangepaste R-kwadraat kan nuttig zijn voor het vergelijken van de fit van verschillende regressiemodellen die verschillende aantallen voorspellende variabelen gebruiken.<\/span><\/p>\n F-statistiek:<\/strong> Geeft aan of het regressiemodel beter aansluit bij de gegevens dan een model dat geen onafhankelijke variabelen bevat. In wezen wordt getest of het regressiemodel als geheel bruikbaar is.<\/span><\/p>\n p-waarde:<\/strong> Dit is de p-waarde die overeenkomt met de F-statistiek. Als deze waarde onder een bepaald significantieniveau ligt (bijvoorbeeld 0,05), dan past het regressiemodel beter bij de gegevens dan een model zonder voorspellers.<\/span><\/p>\n Bij het bouwen van regressiemodellen hopen we dat deze p-waarde onder een bepaald significantieniveau ligt, omdat dit aangeeft dat de voorspellende variabelen daadwerkelijk nuttig zijn bij het voorspellen van de waarde van de responsvariabele.<\/span><\/p>\n Hoe eenvoudige lineaire regressie uit te voeren in R<\/a> Om een lineair regressiemodel in R te passen, kunnen we de opdracht lm() gebruiken. Om de uitvoer van het regressiemodel weer te geven, kunnen we vervolgens de opdracht summary() gebruiken. In deze zelfstudie wordt uitgelegd hoe u elke waarde van de regressie-uitvoer in R interpreteert. Voorbeeld: Regressie-uitvoer interpreteren in R De volgende code laat zien […]<\/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-1253","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Voorbeeld: Regressie-uitvoer interpreteren in R<\/strong><\/h3>\n
#fit regression model using hp, drat, and wt as predictors\n<\/span>model <- lm(mpg ~ hp + drat + wt, data = mtcars)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nlm(formula = mpg ~ hp + drat + wt, data = mtcars)\n\nResiduals:\n Min 1Q Median 3Q Max \n-3.3598 -1.8374 -0.5099 0.9681 5.7078 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 29.394934 6.156303 4.775 5.13e-05 ***\nhp -0.032230 0.008925 -3.611 0.001178 ** \ndrat 1.615049 1.226983 1.316 0.198755 \nwt -3.227954 0.796398 -4.053 0.000364 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 2.561 on 28 degrees of freedom\nMultiple R-squared: 0.8369, Adjusted R-squared: 0.8194 \nF-statistic: 47.88 on 3 and 28 DF, p-value: 3.768e-11\n<\/strong><\/pre>\n Telefoongesprek<\/strong><\/span><\/h3>\n
Call:\nlm(formula = mpg ~ hp + drat + wt, data = mtcars)<\/strong><\/pre>\n
Residu<\/strong><\/span><\/h3>\n
Residuals:\n Min 1Q Median 3Q Max \n-3.3598 -1.8374 -0.5099 0.9681 5.7078 \n<\/strong><\/pre>\n
Co\u00ebffici\u00ebnten<\/strong><\/span><\/h3>\n
Coefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 29.394934 6.156303 4.775 5.13e-05 ***\nhp -0.032230 0.008925 -3.611 0.001178 ** \ndrat 1.615049 1.226983 1.316 0.198755 \nwt -3.227954 0.796398 -4.053 0.000364 ***\n\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n<\/strong><\/pre>\n
Beoordeling van de geschiktheid van het model<\/strong><\/span><\/h3>\n
Residual standard error: 2.561 on 28 degrees of freedom\nMultiple R-squared: 0.8369, Adjusted R-squared: 0.8194 \nF-statistic: 47.88 on 3 and 28 DF, p-value: 3.768e-11\n<\/strong><\/pre>\n
Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe meervoudige lineaire regressie uit te voeren in R<\/a>
Wat is een goede R-kwadraatwaarde?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"