{"id":2947,"date":"2023-07-19T23:21:19","date_gmt":"2023-07-19T23:21:19","guid":{"rendered":"https:\/\/statorials.org\/nl\/voorspel-meervoudige-regressie-in-r\/"},"modified":"2023-07-19T23:21:19","modified_gmt":"2023-07-19T23:21:19","slug":"voorspel-meervoudige-regressie-in-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/nl\/voorspel-meervoudige-regressie-in-r\/","title":{"rendered":"Hoe waarden in r te voorspellen met behulp van een meervoudig regressiemodel"},"content":{"rendered":"

<\/p>\n

\n

U kunt de volgende basissyntaxis gebruiken om waarden in R te voorspellen met behulp van een aangepast meervoudig lineair regressiemodel:<\/span><\/span><\/p>\n

 #define new observation\n<\/span>new <- data. frame<\/span> (x1=c(5), x2=c(10), x3=c(12.5))\n\n#use fitted model to predict the response value for the new observation\n<\/span>predict(model, newdata=new)<\/strong><\/pre>\n
 Het volgende voorbeeld laat zien hoe u deze functie in de praktijk kunt gebruiken.<\/span><\/p>\n
 Voorbeeld: Waarden voorspellen met behulp van een aangepast meervoudig lineair regressiemodel<\/strong><\/span><\/h3>\n
 Stel dat we de volgende dataset in R hebben die informatie over basketbalspelers bevat:<\/span><\/p>\n
 #create data frame\n<\/span>df <- data. frame<\/span> (rating=c(67, 75, 79, 85, 90, 96, 97),\n                 points=c(8, 12, 16, 15, 22, 28, 24),\n                 assists=c(4, 6, 6, 5, 3, 8, 7),\n                 rebounds=c(1, 4, 3, 3, 2, 6, 7))\n\n#view data frame\n<\/span>df\n\n  rating points assists rebounds\n1 67 8 4 1\n2 75 12 6 4\n3 79 16 6 3\n4 85 15 5 3\n5 90 22 3 2\n6 96 28 8 6\n7 97 24 7 7\n<\/strong><\/pre>\n
 Stel nu dat we een meervoudig lineair regressiemodel passen met behulp van points<\/strong> , assists<\/strong> en rebounds<\/strong> als voorspellende variabelen en rating<\/strong> alsresponsvariabele<\/a> :<\/span><\/p>\n
 #fit multiple linear regression model\n<\/span>model <- lm(rating ~ points + assists + rebounds, data=df)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nlm(formula = rating ~ points + assists + rebounds, data = df)\n\nResiduals:\n      1 2 3 4 5 6 7 \n-1.5902 -1.7181 0.2413 4.8597 -1.0201 -0.6082 -0.1644 \n\nCoefficients:\n            Estimate Std. Error t value Pr(>|t|)   \n(Intercept) 66.4355 6.6932 9.926 0.00218 **\npoints 1.2152 0.2788 4.359 0.02232 * \nassists -2.5968 1.6263 -1.597 0.20860   \nrebounds 2.8202 1.6118 1.750 0.17847   \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.193 on 3 degrees of freedom\nMultiple R-squared: 0.9589, Adjusted R-squared: 0.9179 \nF-statistic: 23.35 on 3 and 3 DF, p-value: 0.01396\n<\/strong><\/pre>\n
 Uit de waarden in de kolom Schatting<\/strong> kunnen we het passende regressiemodel schrijven:<\/span><\/p>\n
 Score = 66,4355 + 1,2151 (punten) \u2013 2,5968 (assists) + 2,8202 (rebounds)<\/span><\/p>\n
 We kunnen de volgende code gebruiken om de rating te voorspellen van een nieuwe speler die 20 punten, 5 assists en 2 rebounds heeft:<\/span><\/p>\n
 #define new player\n<\/span>new <- data. frame<\/span> (points=c(20), assists=c(5), rebounds=c(2))\n\n#use the fitted model to predict the rating for the new player\n<\/span>predict(model, newdata=new)\n\n       1 \n83.39607 \n<\/strong><\/pre>\n
 Het model voorspelt dat deze nieuwe speler een rating van 83,39607<\/strong> zal hebben.<\/span><\/p>\n
 We kunnen bevestigen dat dit correct is door de waarden van de nieuwe speler in de aangepaste regressievergelijking in te voegen:<\/span><\/p>\n