{"id":1881,"date":"2023-07-24T14:58:16","date_gmt":"2023-07-24T14:58:16","guid":{"rendered":"https:\/\/statorials.org\/nl\/onderscheppen-in-regressie\/"},"modified":"2023-07-24T14:58:16","modified_gmt":"2023-07-24T14:58:16","slug":"onderscheppen-in-regressie","status":"publish","type":"post","link":"https:\/\/statorials.org\/nl\/onderscheppen-in-regressie\/","title":{"rendered":"Hoe het snijpunt in een regressiemodel te interpreteren: met voorbeelden"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\">Het <strong>snijpunt<\/strong> (ook wel de &#8222;constante&#8220; genoemd) in een regressiemodel vertegenwoordigt de gemiddelde waarde van de responsvariabele wanneer alle voorspellende variabelen in het model gelijk zijn aan nul.<\/span><\/p>\n<p> <span style=\"color: #000000;\">In deze zelfstudie wordt uitgelegd hoe u de oorspronkelijke waarde interpreteert in eenvoudige lineaire regressiemodellen en modellen met meerdere lineaire regressies.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Interpretatie van snijpunt in eenvoudige lineaire regressie<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Een eenvoudig lineair regressiemodel heeft de volgende vorm:<\/span><\/p>\n<p> <span style=\"color: #000000;\">\u0177 = \u03b2 <sub>0<\/sub> + \u03b2 <sub>1<\/sub> (x)<\/span><\/p>\n<p> <span style=\"color: #000000;\">Goud:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">\u0177: de voorspelde waarde voor de responsvariabele<\/span><\/li>\n<li> <span style=\"color: #000000;\">\u03b2 <sub>0<\/sub> : De gemiddelde waarde van de responsvariabele wanneer x = 0<\/span><\/li>\n<li> <span style=\"color: #000000;\">\u03b2 <sub>1<\/sub> : De gemiddelde verandering in de responsvariabele bij een toename van \u00e9\u00e9n eenheid in x<\/span><\/li>\n<li> <span style=\"color: #000000;\">x: de waarde van de voorspellende variabele<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">In sommige gevallen is het zinvol om de interceptwaarde te interpreteren in een eenvoudig lineair regressiemodel, maar niet altijd. De volgende voorbeelden illustreren dit.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Voorbeeld 1: De onderschepping is zinvol om te interpreteren<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Stel dat we een eenvoudig lineair regressiemodel willen toepassen met <em>bestudeerde uren<\/em> als voorspellende variabele en <em>examenscores<\/em> als responsvariabele.<\/span><\/p>\n<p> <span style=\"color: #000000;\">We verzamelen deze gegevens voor 50 studenten in een bepaalde universitaire opleiding en passen in het volgende regressiemodel:<\/span><\/p>\n<p> <span style=\"color: #000000;\">Examenscore = 65,4 + 2,67 (uren)<\/span><\/p>\n<p> <span style=\"color: #000000;\">De waarde van de oorspronkelijke term in dit model is <strong>65,4<\/strong> . Dit betekent dat de gemiddelde examenscore <strong>65,4<\/strong> bedraagt wanneer het aantal gestudeerde uren nul is.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dit is logisch om te interpreteren, omdat het aannemelijk is dat een student nul uur studeert voor een examen.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Voorbeeld 2: Interceptie heeft geen zin om te interpreteren<\/strong><\/span><\/p>\n<p> Stel dat we <span style=\"color: #000000;\">een eenvoudig lineair regressiemodel willen passen met <em>gewicht<\/em> (in ponden) als voorspellende variabele en <em>lengte<\/em> (in inches) als responsvariabele.<\/span><\/p>\n<p> <span style=\"color: #000000;\">We verzamelen deze gegevens voor 50 personen en passen het volgende regressiemodel toe:<\/span><\/p>\n<p> <span style=\"color: #000000;\">Hoogte = 22,3 + 0,28 (pond)<\/span><\/p>\n<p> <span style=\"color: #000000;\">De waarde van de oorspronkelijke term in dit model is <strong>22,3<\/strong> . Dit zou betekenen dat de lengte van de gemiddelde persoon <strong>22,3<\/strong> inch is als zijn gewicht nul is.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dit heeft geen zin om te interpreteren, omdat het voor een persoon niet mogelijk is om nul pond te wegen.<\/span><\/p>\n<p> <span style=\"color: #000000;\">We moeten echter nog steeds de oorspronkelijke term in het model behouden, zodat we het model kunnen gebruiken om voorspellingen te doen. Het snijpunt heeft eenvoudigweg geen betekenisvolle interpretatie voor dit model.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Interpretatie van Intercept in meervoudige lineaire regressie<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Een meervoudig lineair regressiemodel heeft de volgende vorm:<\/span><\/p>\n<p> <span style=\"color: #000000;\">\u0177 = \u03b2 <sub>0<\/sub> + \u03b2 <sub>1<\/sub> (x <sub>1<\/sub> ) + \u03b2 <sub>2<\/sub> (x <sub>2<\/sub> ) + \u03b2 <sub>3<\/sub> (x <sub>3<\/sub> ) + \u2026 + \u03b2 <sub>k<\/sub> (x <sub>k<\/sub> )<\/span><\/p>\n<p> <span style=\"color: #000000;\">Goud:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">\u0177: de voorspelde waarde voor de responsvariabele<\/span><\/li>\n<li> <span style=\"color: #000000;\">\u03b2 <sub>0<\/sub> : De gemiddelde waarde van de responsvariabele wanneer alle voorspellende variabelen nul zijn<\/span><\/li>\n<li> <span style=\"color: #000000;\"><sub>\u03b2j<\/sub> : gemiddelde verandering in de responsvariabele voor een toename van \u00e9\u00e9n eenheid in de j <sup>-de<\/sup> voorspellende variabele, ervan uitgaande dat alle andere voorspellende variabelen constant blijven.<\/span><\/li>\n<li> <span style=\"color: #000000;\">x <sub>j<\/sub> : de waarde van de j <sup>-de<\/sup> voorspellende variabele<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Net als bij eenvoudige lineaire regressie is het soms zinvol om de snijpuntwaarde te interpreteren in een meervoudig lineair regressiemodel, maar niet altijd. De volgende voorbeelden illustreren dit.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Voorbeeld 1: De onderschepping is zinvol om te interpreteren<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Stel dat we een meervoudig lineair regressiemodel willen toepassen met <em>studie-uren<\/em> en <em>voorbereidende examens<\/em> als voorspellende variabelen en <em>examenscores<\/em> als responsvariabele.<\/span><\/p>\n<p> <span style=\"color: #000000;\">We verzamelen deze gegevens voor 50 studenten in een bepaalde universitaire opleiding en passen in het volgende regressiemodel:<\/span><\/p>\n<p> <span style=\"color: #000000;\">Examenscore = 58,4 + 2,23 (uren) + 1,34 (aantal voorbereidende examens)<\/span><\/p>\n<p> <span style=\"color: #000000;\">De waarde van de oorspronkelijke term in dit model is <strong>58,4<\/strong> . Dit betekent dat de gemiddelde examenscore <strong>58,4<\/strong> bedraagt wanneer het aantal gestudeerde uren en het aantal afgelegde voorbereidende examens beide gelijk zijn aan nul.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dit is logisch om te interpreteren, omdat het aannemelijk is dat een student nul uur studeert en geen voorbereidend examen aflegt v\u00f3\u00f3r het examen zelf.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Voorbeeld 2: Interceptie heeft geen zin om te interpreteren<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Stel dat we een meervoudig lineair regressiemodel willen toepassen met <em>vierkante meters<\/em> en <em>het aantal slaapkamers<\/em> als voorspellende variabelen en de <em>verkoopprijs<\/em> als responsvariabele.<\/span><\/p>\n<p> <span style=\"color: #000000;\">We verzamelen deze gegevens voor 100 huizen in een bepaalde stad en passen het volgende regressiemodel toe:<\/span><\/p>\n<p> <span style=\"color: #000000;\">Prijs = 87.244 + 3,44 (vierkante voet) + 843,45 (aantal slaapkamers)<\/span><\/p>\n<p> <span style=\"color: #000000;\">De waarde van de oorspronkelijke term in dit model is <strong>87.244<\/strong> . Dit zou betekenen dat de gemiddelde verkoopprijs van een huis <strong>$ 87.244<\/strong> bedraagt wanneer de vierkante meters en het aantal slaapkamers van een huis beide gelijk zijn aan nul.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dit heeft geen zin om te interpreteren, aangezien het niet mogelijk is dat een huis nul vierkante meters en nul slaapkamers heeft.<\/span><\/p>\n<p> <span style=\"color: #000000;\">We moeten echter nog steeds de oorspronkelijke term in het model behouden om deze te kunnen gebruiken om voorspellingen te doen. Het snijpunt heeft eenvoudigweg geen betekenisvolle interpretatie voor dit model.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Aanvullende bronnen<\/strong><\/span><\/h3>\n<p> <a href=\"https:\/\/statorials.org\/nl\/lineaire-regressie-1\/\" target=\"_blank\" rel=\"noopener\">Inleiding tot eenvoudige lineaire regressie<\/a><br \/> <a href=\"https:\/\/statorials.org\/nl\/meerdere-lineaire-regressie\/\" target=\"_blank\" rel=\"noopener\">Inleiding tot meervoudige lineaire regressie<\/a><br \/> <a href=\"https:\/\/statorials.org\/nl\/gedeeltelijke-regressiecoefficient\/\" target=\"_blank\" rel=\"noopener\">Hoe gedeeltelijke regressieco\u00ebffici\u00ebnten te interpreteren<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Het snijpunt (ook wel de &#8222;constante&#8220; genoemd) in een regressiemodel vertegenwoordigt de gemiddelde waarde van de responsvariabele wanneer alle voorspellende variabelen in het model gelijk zijn aan nul. In deze zelfstudie wordt uitgelegd hoe u de oorspronkelijke waarde interpreteert in eenvoudige lineaire regressiemodellen en modellen met meerdere lineaire regressies. Interpretatie van snijpunt in eenvoudige lineaire [&hellip;]<\/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-1881","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Hoe het snijpunt in een regressiemodel te interpreteren: met voorbeelden<\/title>\n<meta name=\"description\" content=\"In deze tutorial wordt met voorbeelden uitgelegd hoe u de oorspronkelijke term (ook wel &#039;constant&#039; genoemd) in een regressiemodel interpreteert.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/nl\/onderscheppen-in-regressie\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Hoe het snijpunt in een regressiemodel te interpreteren: met voorbeelden\" \/>\n<meta property=\"og:description\" content=\"In deze tutorial wordt met voorbeelden uitgelegd hoe u de oorspronkelijke term (ook wel &#039;constant&#039; genoemd) in een regressiemodel interpreteert.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/nl\/onderscheppen-in-regressie\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-24T14:58:16+00:00\" \/>\n<meta name=\"author\" content=\"Dr.benjamin anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Dr.benjamin anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"4\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/nl\/onderscheppen-in-regressie\/\",\"url\":\"https:\/\/statorials.org\/nl\/onderscheppen-in-regressie\/\",\"name\":\"Hoe het snijpunt in een regressiemodel te interpreteren: met voorbeelden\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/nl\/#website\"},\"datePublished\":\"2023-07-24T14:58:16+00:00\",\"dateModified\":\"2023-07-24T14:58:16+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219\"},\"description\":\"In deze tutorial wordt met voorbeelden uitgelegd hoe u de oorspronkelijke term (ook wel &#39;constant&#39; genoemd) in een regressiemodel interpreteert.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/nl\/onderscheppen-in-regressie\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/nl\/onderscheppen-in-regressie\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/nl\/onderscheppen-in-regressie\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Thuis\",\"item\":\"https:\/\/statorials.org\/nl\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Hoe het snijpunt in een regressiemodel te interpreteren: met voorbeelden\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/nl\/#website\",\"url\":\"https:\/\/statorials.org\/nl\/\",\"name\":\"Statorials\",\"description\":\"Uw gids voor statistische competentie\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/nl\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"de\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219\",\"name\":\"Dr.benjamin anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/statorials.org\/nl\/#\/schema\/person\/image\/\",\"url\":\"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"caption\":\"Dr.benjamin anderson\"},\"description\":\"Ik ben Benjamin, een gepensioneerde hoogleraar statistiek die nu een toegewijde Statorials-lesgever is. Ik heb uitgebreide ervaring en expertise op het gebied van statistiek en ik ben vastbesloten om mijn kennis te delen met studenten via Statorials. Lees verder\",\"sameAs\":[\"http:\/\/statorials.org\/nl\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Hoe het snijpunt in een regressiemodel te interpreteren: met voorbeelden","description":"In deze tutorial wordt met voorbeelden uitgelegd hoe u de oorspronkelijke term (ook wel &#39;constant&#39; genoemd) in een regressiemodel interpreteert.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/nl\/onderscheppen-in-regressie\/","og_locale":"de_DE","og_type":"article","og_title":"Hoe het snijpunt in een regressiemodel te interpreteren: met voorbeelden","og_description":"In deze tutorial wordt met voorbeelden uitgelegd hoe u de oorspronkelijke term (ook wel &#39;constant&#39; genoemd) in een regressiemodel interpreteert.","og_url":"https:\/\/statorials.org\/nl\/onderscheppen-in-regressie\/","og_site_name":"Statorials","article_published_time":"2023-07-24T14:58:16+00:00","author":"Dr.benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Verfasst von":"Dr.benjamin anderson","Gesch\u00e4tzte Lesezeit":"4\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/nl\/onderscheppen-in-regressie\/","url":"https:\/\/statorials.org\/nl\/onderscheppen-in-regressie\/","name":"Hoe het snijpunt in een regressiemodel te interpreteren: met voorbeelden","isPartOf":{"@id":"https:\/\/statorials.org\/nl\/#website"},"datePublished":"2023-07-24T14:58:16+00:00","dateModified":"2023-07-24T14:58:16+00:00","author":{"@id":"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219"},"description":"In deze tutorial wordt met voorbeelden uitgelegd hoe u de oorspronkelijke term (ook wel &#39;constant&#39; genoemd) in een regressiemodel interpreteert.","breadcrumb":{"@id":"https:\/\/statorials.org\/nl\/onderscheppen-in-regressie\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/nl\/onderscheppen-in-regressie\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/nl\/onderscheppen-in-regressie\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Thuis","item":"https:\/\/statorials.org\/nl\/"},{"@type":"ListItem","position":2,"name":"Hoe het snijpunt in een regressiemodel te interpreteren: met voorbeelden"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/nl\/#website","url":"https:\/\/statorials.org\/nl\/","name":"Statorials","description":"Uw gids voor statistische competentie","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/nl\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"de"},{"@type":"Person","@id":"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219","name":"Dr.benjamin anderson","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/statorials.org\/nl\/#\/schema\/person\/image\/","url":"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","contentUrl":"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","caption":"Dr.benjamin anderson"},"description":"Ik ben Benjamin, een gepensioneerde hoogleraar statistiek die nu een toegewijde Statorials-lesgever is. Ik heb uitgebreide ervaring en expertise op het gebied van statistiek en ik ben vastbesloten om mijn kennis te delen met studenten via Statorials. Lees verder","sameAs":["http:\/\/statorials.org\/nl"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/posts\/1881","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/comments?post=1881"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/posts\/1881\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/media?parent=1881"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/categories?post=1881"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/tags?post=1881"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}