<\/p>\n
De programmeertaal R biedt de volgende functies voor het aanpassen van lineaire modellen:<\/span><\/p>\n 1. lm \u2013 Wordt gebruikt voor lineaire modellen<\/strong><\/span><\/p>\n Deze functie gebruikt de volgende syntaxis:<\/span><\/p>\n lm(formule, gegevens, \u2026)<\/strong><\/span><\/p>\n Goud:<\/span><\/p>\n 2. glm \u2013 Wordt gebruikt om gegeneraliseerde lineaire modellen aan te passen<\/strong><\/span><\/p>\n Deze functie gebruikt de volgende syntaxis:<\/span><\/p>\n glm(formule, familie=Gaussiaans, data, \u2026)<\/strong><\/span><\/p>\n Goud:<\/span><\/p>\n Merk op dat het enige verschil tussen deze twee functies het familieargument<\/strong> is dat is opgenomen in de functie glm()<\/strong> .<\/span><\/p>\n Als u lm() of glm() gebruikt om een lineair regressiemodel aan te passen, zullen deze exact dezelfde resultaten opleveren<\/strong> .<\/span><\/p>\n De functie glm() kan echter ook worden gebruikt om in complexere modellen te passen, zoals:<\/span><\/p>\n De volgende voorbeelden laten zien hoe u de functies lm() en glm() in de praktijk kunt gebruiken.<\/span><\/p>\n De volgende code laat zien hoe u een lineair regressiemodel<\/strong> kunt aanpassen met behulp van de functie lm():<\/span><\/p>\n De volgende code laat zien hoe u exact hetzelfde lineaire regressiemodel<\/strong> kunt aanpassen met behulp van de glm()-functie:<\/span><\/p>\n Merk op dat de co\u00ebffici\u00ebntschattingen en de standaardfouten van de co\u00ebffici\u00ebntschattingen exact dezelfde zijn als die geproduceerd door de functie lm().<\/span><\/p>\n Merk op dat we de functie glm() ook kunnen gebruiken om een logistisch regressiemodel<\/strong> aan te passen door family=binomial als volgt op te geven:<\/span><\/p>\n We kunnen ook de functie glm() gebruiken om een Poisson-regressiemodel<\/strong> aan te passen door family=poisson als volgt op te geven:<\/span><\/p>\n Hoe eenvoudige lineaire regressie uit te voeren in R<\/a> De programmeertaal R biedt de volgende functies voor het aanpassen van lineaire modellen: 1. lm \u2013 Wordt gebruikt voor lineaire modellen Deze functie gebruikt de volgende syntaxis: lm(formule, gegevens, \u2026) Goud: formule: De lineaire modelformule (bijv. y ~ x1 + x2) data: de naam van het datablok dat de gegevens bevat 2. glm \u2013 Wordt […]<\/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-1547","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
\n
\n
Voorbeeld van het gebruik van de functie lm().<\/strong><\/span><\/h3>\n
#fit multiple linear 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 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 Voorbeelden van het gebruik van de glm()-functie<\/strong><\/span><\/h3>\n
#fit multiple linear regression model\n<\/span>model <- glm(mpg ~ disp + hp, data=mtcars)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nglm(formula = mpg ~ disp + hp, data = mtcars)\n\nDeviance Residuals: \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\n(Dispersion parameter for gaussian family taken to be 9.775636)\n\n Null deviance: 1126.05 on 31 degrees of freedom\nResidual deviance: 283.49 on 29 degrees of freedom\nAIC: 168.62\n\nNumber of Fisher Scoring iterations: 2<\/strong><\/pre>\n #fit logistic regression model\n<\/span>model <- glm(am ~ disp + hp, data=mtcars, family=binomial)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nglm(formula = am ~ disp + hp, family = binomial, data = mtcars)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-1.9665 -0.3090 -0.0017 0.3934 1.3682 \n\nCoefficients:\n Estimate Std. Error z value Pr(>|z|) \n(Intercept) 1.40342 1.36757 1.026 0.3048 \navailable -0.09518 0.04800 -1.983 0.0474 *\nhp 0.12170 0.06777 1.796 0.0725 .\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\n(Dispersion parameter for binomial family taken to be 1)\n\n Null deviance: 43,230 on 31 degrees of freedom\nResidual deviance: 16,713 on 29 degrees of freedom\nAIC: 22,713\n\nNumber of Fisher Scoring iterations: 8\n<\/strong><\/pre>\n #fit Poisson regression model\n<\/span>model <- glm(am ~ disp + hp, data=mtcars, family=fish)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nglm(formula = am ~ disp + hp, family = fish, data = mtcars)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-1.1266 -0.4629 -0.2453 0.1797 1.5428 \n\nCoefficients:\n Estimate Std. Error z value Pr(>|z|) \n(Intercept) 0.214255 0.593463 0.361 0.71808 \navailable -0.018915 0.007072 -2.674 0.00749 **\nhp 0.016522 0.007163 2.307 0.02107 * \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\n(Dispersion parameter for fish family taken to be 1)\n\n Null deviance: 23,420 on 31 degrees of freedom\nResidual deviance: 10,526 on 29 degrees of freedom\nAIC: 42,526\n\nNumber of Fisher Scoring iterations: 6\n<\/strong><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe meervoudige lineaire regressie uit te voeren in R<\/a>
Hoe de voorspellingsfunctie met glm in R te gebruiken<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"