Laten we bijvoorbeeld zeggen dat we het aantal gestudeerde uren<\/em> willen gebruiken om examenscores<\/em> voor studenten aan een bepaalde hogeschool te voorspellen. We kunnen besluiten de volgende twee regressiemodellen aan te passen:<\/span><\/p>\n Volledig model:<\/strong> score = \u03b2 0<\/sub> + B 1<\/sub> (uren) + B 2<\/sub> (uren) 2<\/sup><\/span><\/p>\n Verlaagd model:<\/strong> score = \u03b2 0<\/sub> + B 1<\/sub> (uren)<\/span><\/p>\n Het volgende stapsgewijze voorbeeld laat zien hoe u een gebrek aan fit-test in R kunt uitvoeren om te bepalen of het volledige model een significant betere fit biedt dan het gereduceerde model.<\/span><\/p>\n Eerst gebruiken we de volgende code om een dataset te maken met daarin het aantal gestudeerde uren en behaalde examenscores voor 50 studenten:<\/span><\/p>\n Vervolgens maken we een spreidingsdiagram om de relatie tussen uren en score te visualiseren:<\/span> <\/p>\n Vervolgens passen we twee verschillende regressiemodellen in de dataset:<\/span><\/p>\n Vervolgens zullen we de opdracht anova()<\/strong> gebruiken om een gebrek aan fit-test uit te voeren tussen de twee modellen:<\/span><\/p>\n De F-teststatistiek blijkt 10,554<\/strong> te zijn en de overeenkomstige p-waarde is 0,002144<\/strong> . Omdat deze p-waarde kleiner is dan 0,05, kunnen we de nulhypothese van de test verwerpen en concluderen dat het volledige model een statistisch significant betere fit biedt dan het gereduceerde model.<\/span><\/p>\n Ten slotte kunnen we het uiteindelijke model (het volledige model) visualiseren aan de hand van de originele dataset:<\/span> <\/p>\n We kunnen zien dat de modelcurve vrij goed bij de gegevens past.<\/span><\/p>\n Hoe eenvoudige lineaire regressie uit te voeren in R<\/a> Een gebrek aan fit-test wordt gebruikt om te bepalen of een volledig regressiemodel al dan niet een significant betere aanpassing aan een dataset biedt dan een gereduceerde versie van het model. Laten we bijvoorbeeld zeggen dat we het aantal gestudeerde uren willen gebruiken om examenscores voor studenten aan een bepaalde hogeschool te voorspellen. We kunnen […]<\/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-1463","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Stap 1: Cre\u00eber en visualiseer een dataset<\/strong><\/span><\/h3>\n
#make this example reproducible\n<\/span>set. seeds<\/span> (1)\n\n#create dataset\n<\/span>df <- data. frame<\/span> (hours = runif<\/span> (50, 5, 15), score=50)\ndf$score = df$score + df$hours^3\/150 + df$hours* runif<\/span> (50, 1, 2)\n\n#view first six rows of data\n<\/span>head(df)\n\n hours score\n1 7.655087 64.30191\n2 8.721239 70.65430\n3 10.728534 73.66114\n4 14.082078 86.14630\n5 7.016819 59.81595\n6 13.983897 83.60510<\/strong><\/pre>\n #load ggplot2 visualization package\n<\/span>library<\/span> (ggplot2)\n\n#create scatterplot\n<\/span>ggplot(df, aes<\/span> (x=hours, y=score)) +\n geom_point()<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/manquefit1.png\")
<\/p>\n Stap 2: Pas twee verschillende modellen aan de dataset toe<\/strong><\/span><\/h3>\n
#fit full model\n<\/span>full <- lm(score ~ poly<\/span> (hours,2), data=df)\n<\/span>\n#fit reduced model\nreduced <- lm(score ~ hours, data=df)<\/span><\/span>\n<\/span><\/strong><\/pre>\n Stap 3: Voer een gebrek aan fit-test uit<\/strong><\/span><\/h3>\n
#lack of fit test\n<\/span>anova(full, reduced)\n\nAnalysis of Variance Table\n\nModel 1: score ~ poly(hours, 2)\nModel 2: score ~ hours\n Res.Df RSS Df Sum of Sq F Pr(>F) \n1 47 368.48 \n2 48 451.22 -1 -82.744 10.554 0.002144 **\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n<\/strong><\/pre>\n Stap 4: Visualiseer het definitieve model<\/strong><\/span><\/h3>\n
ggplot(df, aes<\/span> (x=hours, y=score)) + \n geom_point() +\n stat_smooth(method=' lm<\/span> ', formula = y ~ poly<\/span> (x,2), size = 1) + \n xlab(' Hours Studied<\/span> ') +\n ylab(' Score<\/span> ')<\/strong><\/span> <\/pre>\n![\"Het](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/manquefit2.png\")
<\/p>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe meervoudige lineaire regressie uit te voeren in R<\/a>
Hoe polynomiale regressie uit te voeren in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"