{"id":1314,"date":"2023-07-26T22:05:53","date_gmt":"2023-07-26T22:05:53","guid":{"rendered":"https:\/\/statorials.org\/nl\/plot-meervoudige-lineaire-regressie-in-r\/"},"modified":"2023-07-26T22:05:53","modified_gmt":"2023-07-26T22:05:53","slug":"plot-meervoudige-lineaire-regressie-in-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/nl\/plot-meervoudige-lineaire-regressie-in-r\/","title":{"rendered":"Hoe u meerdere lineaire regressieresultaten kunt plotten in r"},"content":{"rendered":"

<\/p>\n

\n

Wanneer we eenvoudige lineaire regressie<\/a> in R uitvoeren, is het gemakkelijk om de passende regressielijn te visualiseren, omdat we alleen met een enkele voorspellende variabele en een enkeleresponsvariabele<\/a> werken.<\/span><\/p>\n

De volgende code laat bijvoorbeeld zien hoe u een eenvoudig lineair regressiemodel aan een gegevensset kunt aanpassen en de resultaten kunt plotten:<\/span> <\/p>\n

 #create dataset\n<\/span>data <- data.frame(x = c(1, 1, 2, 4, 4, 5, 6, 7, 7, 8, 9, 10, 11, 11),\n                   y = c(13, 14, 17, 23, 24, 25, 25, 24, 28, 32, 33, 35, 40, 41))\n\n#fit simple linear regression model\n<\/span>model <- lm(y ~ x, data = data)\n\n#create scatterplot of data\n<\/span>plot(data$x, data$y)\n\n#add fitted regression line\n<\/span>abline(model)\n<\/strong><\/pre>\n
\"Een<\/p>\n
 In plaats daarvan kunnen we toegevoegde variabele plots<\/strong> gebruiken (ook wel ‚parti\u00eble regressieplots‘ genoemd). Dit zijn individuele plots die de relatie weergeven tussen de responsvariabele en een voorspellende variabele, terwijl wordt gecontroleerd voor de aanwezigheid van andere voorspellende variabelen in het model<\/em> .<\/span><\/p>\n
 Het volgende voorbeeld laat zien hoe u meervoudige lineaire regressie in R uitvoert en de resultaten visualiseert met behulp van bijgevoegde variabele plots.<\/span><\/p>\n
 Voorbeeld: Meerdere lineaire regressieresultaten plotten in R<\/strong><\/span><\/h3>\n
 Stel dat we het volgende meervoudige lineaire regressiemodel passen in een dataset in R met behulp van de ingebouwde mtcars-<\/strong> dataset:<\/span><\/p>\n
 #fit multiple linear regression model\nmodel <- lm(mpg ~ disp + hp + drat, data = mtcars)\n<\/span>\n#view results of model\nsummary(model)\n\nCall:\nlm(formula = mpg ~ disp + hp + drat, data = mtcars)\n\nResiduals:\n    Min 1Q Median 3Q Max \n-5.1225 -1.8454 -0.4456 1.1342 6.4958 \n\nCoefficients:\n             Estimate Std. Error t value Pr(>|t|)   \n(Intercept) 19.344293 6.370882 3.036 0.00513 **\navailable -0.019232 0.009371 -2.052 0.04960 * \nhp -0.031229 0.013345 -2.340 0.02663 * \ndrat 2.714975 1.487366 1.825 0.07863 . \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.008 on 28 degrees of freedom\nMultiple R-squared: 0.775, Adjusted R-squared: 0.7509 \nF-statistic: 32.15 on 3 and 28 DF, p-value: 3.28e-09\n<\/span><\/span><\/strong><\/pre>\n
 Uit de resultaten kunnen we zien dat de p-waarde voor elk van de co\u00ebffici\u00ebnten kleiner is dan 0,1. Voor de eenvoud gaan we ervan uit dat elk van de voorspellende variabelen significant is en in het model moet worden opgenomen.<\/span><\/p>\n
 Om plots van toegevoegde variabelen te produceren, kunnen we de functie avPlots()<\/strong> uit het car-<\/strong> pakket gebruiken:<\/span> <\/p>\n
 #load car package\nlibrary(car)\n<\/span>\n#produce added variable plots\navPlots(model)<\/span>\n<\/span><\/strong><\/pre>\n
\"Meervoudige<\/p>\n
 Zo interpreteer je elk plot:<\/span><\/p>\n
 Wanneer we echter meervoudige lineaire regressie uitvoeren,<\/a> wordt het moeilijk om de resultaten te visualiseren omdat er meerdere voorspellende variabelen zijn en we niet eenvoudigweg een regressielijn in een 2D-grafiek kunnen uitzetten.<\/span><\/p>\n