{"id":313,"date":"2023-08-02T16:21:11","date_gmt":"2023-08-02T16:21:11","guid":{"rendered":"https:\/\/statorials.org\/nl\/meervoudige-lineaire-regressie-1\/"},"modified":"2023-08-02T16:21:11","modified_gmt":"2023-08-02T16:21:11","slug":"meervoudige-lineaire-regressie-1","status":"publish","type":"post","link":"https:\/\/statorials.org\/nl\/meervoudige-lineaire-regressie-1\/","title":{"rendered":"Meerdere lineaire regressie"},"content":{"rendered":"<p>In dit artikel wordt uitgelegd wat meervoudige lineaire regressie in de statistiek is. Daarnaast leer je hoe je een meervoudig lineair regressiemodel maakt en hoe dit wordt ge\u00efnterpreteerd. <\/p>\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"%c2%bfque-es-la-regresion-lineal-multiple\"><\/span> Wat is meervoudige lineaire regressie?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p> <strong>Meervoudige lineaire regressie<\/strong> is een regressiemodel waarin twee of meer onafhankelijke variabelen zijn opgenomen. Met andere woorden, meervoudige lineaire regressie is een statistisch model waarmee verschillende verklarende variabelen lineair kunnen worden gekoppeld aan een responsvariabele.<\/p>\n<p> Daarom wordt een meervoudig lineair regressiemodel gebruikt om een vergelijking te vinden die twee of meer onafhankelijke variabelen relateert aan een afhankelijke variabele. Door de waarde van elke onafhankelijke variabele te vervangen, wordt dus een benadering van de waarde van de afhankelijke variabele verkregen.<\/p>\n<p> De vergelijking y=3+6x <sub>1<\/sub> -4x <sub>2<\/sub> +7x <sub>3<\/sub> is bijvoorbeeld een meervoudig lineair regressiemodel omdat het wiskundig drie onafhankelijke variabelen (x <sub>1<\/sub> , x <sub>2<\/sub> , x <sub>3<\/sub> ) relateert aan \u00e9\u00e9n afhankelijke variabele (y) lineair waardepad . <\/p>\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"formula-de-la-regresion-lineal-multiple\"><\/span> Meerdere lineaire regressieformule<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p> De vergelijking voor een meervoudig lineair regressiemodel is y=\u03b2 <sub>0<\/sub> +\u03b2 <sub>1<\/sub> x <sub>1<\/sub> +\u03b2 <sub>2<\/sub> x <sub>2<\/sub> +\u2026+\u03b2 <sub>m<\/sub> x <sub>m<\/sub> +\u03b5.<\/p>\n<\/p>\n<p class=\"has-text-align-center\"><img decoding=\"async\" loading=\"lazy\" src=\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-fd3ba8386b5954b654ca555774108ac0_l3.png\" class=\"ql-img-inline-formula quicklatex-auto-format\" alt=\"y=\\beta_0+\\beta_1 x_1+\\beta_2 x_2+\\dots+\\beta_m x_m+\\varepsilon\" title=\"Rendered by QuickLaTeX.com\" height=\"17\" width=\"305\" style=\"vertical-align: -4px;\"><\/p>\n<\/p>\n<p style=\"margin-bottom:5px\"> Goud:<\/p>\n<ul style=\"color:#FF8A05; font-weight: bold;\">\n<li style=\"margin-bottom:5px\">\n<p class=\"has-text-align-center\"><img decoding=\"async\" loading=\"lazy\" src=\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-38461fc041e953482219abf5d4cce1cb_l3.png\" class=\"ql-img-inline-formula quicklatex-auto-format\" alt=\"y\" title=\"Rendered by QuickLaTeX.com\" height=\"12\" width=\"9\" style=\"vertical-align: -4px;\"><\/p>\n<p> is de afhankelijke variabele.<\/li>\n<li style=\"margin-bottom:5px\">\n<p class=\"has-text-align-center\"><img decoding=\"async\" loading=\"lazy\" src=\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-dad27a9703483183e1afd245f5232b83_l3.png\" class=\"ql-img-inline-formula quicklatex-auto-format\" alt=\"x_i\" title=\"Rendered by QuickLaTeX.com\" height=\"11\" width=\"15\" style=\"vertical-align: -3px;\"><\/p>\n<p> is de onafhankelijke variabele i.<\/li>\n<li style=\"margin-bottom:5px\">\n<p class=\"has-text-align-center\"><img decoding=\"async\" loading=\"lazy\" src=\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-c5ba513cc7e504bc674f76afa70a3442_l3.png\" class=\"ql-img-inline-formula quicklatex-auto-format\" alt=\"\\beta_0\" title=\"Rendered by QuickLaTeX.com\" height=\"17\" width=\"17\" style=\"vertical-align: -4px;\"><\/p>\n<p> is de constante van de meervoudige lineaire regressievergelijking.<\/li>\n<li style=\"margin-bottom:5px\">\n<p class=\"has-text-align-center\"><img decoding=\"async\" loading=\"lazy\" src=\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-ff540c55c6ee8f10a1dab8e2422947ab_l3.png\" class=\"ql-img-inline-formula quicklatex-auto-format\" alt=\"\\beta_i\" title=\"Rendered by QuickLaTeX.com\" height=\"17\" width=\"15\" style=\"vertical-align: -4px;\"><\/p>\n<p> is de regressieco\u00ebffici\u00ebnt die aan de variabele is gekoppeld<\/p>\n<p class=\"has-text-align-center\"><img decoding=\"async\" loading=\"lazy\" src=\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-dad27a9703483183e1afd245f5232b83_l3.png\" class=\"ql-img-inline-formula quicklatex-auto-format\" alt=\"x_i\" title=\"Rendered by QuickLaTeX.com\" height=\"11\" width=\"15\" style=\"vertical-align: -3px;\"><\/p>\n<p> .<\/li>\n<li style=\"margin-bottom:5px\">\n<p class=\"has-text-align-center\"><img decoding=\"async\" loading=\"lazy\" src=\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-29b8f7fac5f2df4b101dff63e95516c5_l3.png\" class=\"ql-img-inline-formula quicklatex-auto-format\" alt=\"\\bm{\\varepsilon}\" title=\"Rendered by QuickLaTeX.com\" height=\"8\" width=\"8\" style=\"vertical-align: 0px;\"><\/p>\n<p> Dit is de fout of het residu, dat wil zeggen het verschil tussen de waargenomen waarde en de door het model geschatte waarde.<\/li>\n<li style=\"margin-bottom:5px\">\n<p class=\"has-text-align-center\"><img decoding=\"async\" loading=\"lazy\" src=\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-fdc40b8ad1cdad0aab9d632215459d28_l3.png\" class=\"ql-img-inline-formula quicklatex-auto-format\" alt=\"m\" title=\"Rendered by QuickLaTeX.com\" height=\"8\" width=\"15\" style=\"vertical-align: 0px;\"><\/p>\n<p> is het totale aantal variabelen in het model.<\/li>\n<\/ul>\n<p> Dus als we een monster hebben met een totaal van<\/p>\n<\/p>\n<p class=\"has-text-align-center\"><img decoding=\"async\" loading=\"lazy\" src=\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-ec4217f4fa5fcd92a9edceba0e708cf7_l3.png\" class=\"ql-img-inline-formula quicklatex-auto-format\" alt=\"n\" title=\"Rendered by QuickLaTeX.com\" height=\"8\" width=\"11\" style=\"vertical-align: 0px;\"><\/p>\n<p> observaties kunnen we het meervoudige lineaire regressiemodel in matrixvorm voorstellen:<\/p>\n<\/p>\n<p class=\"has-text-align-center\"><img decoding=\"async\" loading=\"lazy\" src=\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-5848686c8ed0857f16e7e24e2a31024e_l3.png\" class=\"ql-img-inline-formula quicklatex-auto-format\" alt=\"\\begin{pmatrix}y_1\\\\y_2\\\\\\vdots\\\\y_n\\end{pmatrix}=\\begin{pmatrix}1&amp;x_{11}&amp;\\dots&amp;x_{1m}\\\\1&amp;x_{21}&amp;\\dots&amp;x_{2m}\\\\ \\vdots&amp;\\vdots&amp;\\ddots&amp;\\vdots\\\\1&amp;x_{n1}&amp;\\dots&amp;x_{nm}\\end{pmatrix}\\cdot\\begin{pmatrix}\\beta_0\\\\\\beta_1\\\\\\vdots\\\\\\beta_m\\end{pmatrix}+\\begin{pmatrix}\\varepsilon_1\\\\\\varepsilon_2\\\\\\vdots\\\\\\varepsilon_n\\end{pmatrix}\" title=\"Rendered by QuickLaTeX.com\" height=\"96\" width=\"370\" style=\"vertical-align: -43px;\"><\/p>\n<\/p>\n<p> De bovenstaande array-expressie kan worden herschreven door aan elke array een letter toe te wijzen:<\/p>\n<\/p>\n<p class=\"has-text-align-center\"><img decoding=\"async\" loading=\"lazy\" src=\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-7614ddbb78ced2e2b8b6c7642d9969c3_l3.png\" class=\"ql-img-inline-formula quicklatex-auto-format\" alt=\"Y=X\\beta+\\varepsilon\" title=\"Rendered by QuickLaTeX.com\" height=\"17\" width=\"95\" style=\"vertical-align: -4px;\"><\/p>\n<\/p>\n<p> Door het kleinste kwadratencriterium toe te passen, is het dus mogelijk om tot de <strong>formule te komen voor het schatten van de co\u00ebffici\u00ebnten van een meervoudig lineair regressiemodel<\/strong> :<\/p>\n<\/p>\n<p class=\"has-text-align-center\"><img decoding=\"async\" loading=\"lazy\" src=\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-b6ef097cee722e7355fa4eb77b7ea3e5_l3.png\" class=\"ql-img-inline-formula quicklatex-auto-format\" alt=\"\\widehat{\\beta}=\\left(X^tX\\right)^{-1}X^tY\" title=\"Rendered by QuickLaTeX.com\" height=\"26\" width=\"146\" style=\"vertical-align: -7px;\"><\/p>\n<\/p>\n<p> De toepassing van deze formule is echter zeer bewerkelijk en tijdrovend, dus in de praktijk wordt aanbevolen om computersoftware (zoals Minitab of Excel) te gebruiken waarmee u veel sneller een regressiemodel kunt uitvoeren. <\/p>\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"supuestos-de-la-regresion-lineal-multiple\"><\/span> Meerdere lineaire regressie-aannames<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p> In een meervoudig lineair regressiemodel moet aan de volgende voorwaarden worden voldaan om het model geldig te laten zijn:<\/p>\n<ul style=\"color:#FF8A05; font-weight: bold;\">\n<li style=\"margin-bottom:16px\"> <span style=\"color:#101010;font-weight: normal;\"><strong>Onafhankelijkheid<\/strong> : de residuen moeten onafhankelijk van elkaar zijn. Een gebruikelijke manier om de onafhankelijkheid van het model te garanderen, is door willekeur aan het steekproefproces toe te voegen.<\/span><\/li>\n<li style=\"margin-bottom:16px\"> <span style=\"color:#101010;font-weight: normal;\"><strong>Homoscedasticiteit<\/strong> : Er moet homogeniteit zijn in de varianties van de residuen, dat wil zeggen dat de variabiliteit van de residuen constant moet zijn.<\/span><\/li>\n<li style=\"margin-bottom:16px\"> <span style=\"color:#101010;font-weight: normal;\"><strong>Niet-multicollineariteit<\/strong> : de verklarende variabelen die in het model zijn opgenomen, kunnen niet aan elkaar worden gekoppeld, of hun relatie moet op zijn minst zeer zwak zijn.<\/span><\/li>\n<li style=\"margin-bottom:16px\"> <span style=\"color:#101010;font-weight: normal;\"><strong>Normaliteit<\/strong> : De residuen moeten normaal verdeeld zijn, of met andere woorden, ze moeten een normale verdeling volgen met een gemiddelde van 0.<\/span><\/li>\n<li style=\"margin-bottom:16px\"> <span style=\"color:#101010;font-weight: normal;\"><strong>Lineariteit<\/strong> : Er wordt aangenomen dat de relatie tussen de responsvariabele en de verklarende variabelen lineair is.<\/span> <\/li>\n<\/ul>\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"interpretacion-de-un-modelo-de-regresion-lineal-multiple\"><\/span> Een meervoudig lineair regressiemodel interpreteren<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p> <strong>Om een meervoudig lineair regressiemodel te interpreteren,<\/strong> moeten we kijken naar de determinatieco\u00ebffici\u00ebnt (R kwadraat), die het percentage uitdrukt dat door het regressiemodel wordt verklaard. Dus hoe hoger de determinatieco\u00ebffici\u00ebnt, hoe meer het model zal worden aangepast aan de bestudeerde gegevenssteekproef. <\/p>\n<div style=\"background-color:#FFFDE7; padding-top: 10px; padding-bottom: 10px; padding-right: 20px; padding-left: 30px; border: 2.5px dashed #FFB74D; border-radius:20px;\"> <span style=\"color:#ff951b\">\u27a4<\/span> <strong>Zie:<\/strong> <a href=\"https:\/\/statorials.org\/nl\/determinatiecoefficient-r-kwadraat\/\">Bepalingsco\u00ebffici\u00ebnt (R kwadraat)<\/a><\/div>\n<p> De goede pasvorm van een statistisch model kan echter misleidend zijn, vooral bij meervoudige lineaire regressiemodellen. Omdat bij het toevoegen van een variabele aan het model de determinatieco\u00ebffici\u00ebnt toeneemt, zelfs als de variabele niet significant is. Het is echter noodzakelijk om de determinatieco\u00ebffici\u00ebnt te maximaliseren door te proberen het aantal variabelen te minimaliseren, aangezien het model minder gecompliceerd en gemakkelijker te interpreteren is.<\/p>\n<p> Om dit probleem op te lossen, is het noodzakelijk om de aangepaste determinatieco\u00ebffici\u00ebnt (aangepast R-kwadraat) te berekenen. Dit is een statistische co\u00ebffici\u00ebnt die de kwaliteit van de pasvorm van een regressiemodel meet, waarbij elke variabele die aan het model wordt toegevoegd wordt bestraft, in tegenstelling tot de niet-aangepaste co\u00ebffici\u00ebnt. van vastberadenheid. hierbij wordt geen rekening gehouden met het aantal variabelen in het model.<\/p>\n<p> De aangepaste determinatieco\u00ebffici\u00ebnt stelt ons dus in staat de goedheid van de pasvorm van twee modellen met een verschillend aantal variabelen te vergelijken. In principe zou men het model moeten kiezen dat een hogere aangepaste determinatieco\u00ebffici\u00ebnt heeft, maar als de twee modellen zeer vergelijkbare waarden hebben, is het beter om het model met minder variabelen te selecteren, omdat dit gemakkelijker te interpreteren is. <\/p>\n<div style=\"background-color:#FFFDE7; padding-top: 10px; padding-bottom: 10px; padding-right: 20px; padding-left: 30px; border: 2.5px dashed #FFB74D; border-radius:20px;\"> <span style=\"color:#ff951b\">\u27a4<\/span> <strong>Zie:<\/strong> <a href=\"https:\/\/statorials.org\/nl\/aangepaste-determinatiecoefficient-r-aangepast-vierkant\/\">Aangepaste bepalingsco\u00ebffici\u00ebnt (aangepast R-kwadraat)<\/a><\/div>\n<p> Regressieco\u00ebffici\u00ebnten geven daarentegen de relatie aan tussen de verklarende variabele en de responsvariabele. Als de regressieco\u00ebffici\u00ebnt positief is, zal de responsvariabele toenemen naarmate de verklarende variabele toeneemt. terwijl als de regressieco\u00ebffici\u00ebnt negatief is, de responsvariabele zal afnemen wanneer de verklarende variabele toeneemt.<\/p>\n<p> Om aan de voorgaande voorwaarde te voldoen, moeten de andere variabelen logischerwijs constant blijven. Daarom is het belangrijk dat er geen multicollineariteit bestaat tussen de verschillende verklarende variabelen van het model. Hoe de multicollineariteit van een model wordt bestudeerd, kunt u zien door het bijbehorende artikel op onze website te zoeken. <\/p>\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"regresion-lineal-multiple-y-simple\"><\/span> Meervoudige en eenvoudige lineaire regressie<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p> Ten slotte zullen we zien wat de verschillen zijn tussen een eenvoudig lineair regressiemodel en een meervoudig lineair regressiemodel, aangezien het twee regressiemodellen zijn die veel worden gebruikt in de statistiek.<\/p>\n<p> <strong>Eenvoudige lineaire regressie<\/strong> is een regressiemodel dat wordt gebruikt om een onafhankelijke variabele in verband te brengen. De vergelijking van een eenvoudig lineair regressiemodel is dus als volgt:<\/p>\n<\/p>\n<p class=\"has-text-align-center\"><img decoding=\"async\" loading=\"lazy\" src=\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-84736ca4dce84a29289dfa6da60d0242_l3.png\" class=\"ql-img-inline-formula quicklatex-auto-format\" alt=\"y=\\beta_0+\\beta_1x_1+\\varepsilon\" title=\"Rendered by QuickLaTeX.com\" height=\"17\" width=\"138\" style=\"vertical-align: -4px;\"><\/p>\n<\/p>\n<p> Daarom ligt het <strong>verschil tussen meervoudige lineaire regressie en eenvoudige lineaire regressie<\/strong> in het aantal verklarende variabelen. Een meervoudig lineair regressiemodel heeft twee of meer verklarende variabelen, terwijl een eenvoudig lineair regressiemodel slechts \u00e9\u00e9n verklarende variabele heeft.<\/p>\n<\/p>\n<p class=\"has-text-align-center\"><img decoding=\"async\" loading=\"lazy\" src=\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-fd3ba8386b5954b654ca555774108ac0_l3.png\" class=\"ql-img-inline-formula quicklatex-auto-format\" alt=\"y=\\beta_0+\\beta_1 x_1+\\beta_2 x_2+\\dots+\\beta_m x_m+\\varepsilon\" title=\"Rendered by QuickLaTeX.com\" height=\"17\" width=\"305\" style=\"vertical-align: -4px;\"><\/p>\n<\/p>\n<p> Concluderend is meervoudige lineaire regressie een uitbreiding van eenvoudige lineaire regressie, omdat eenvoudigweg meer verklarende variabelen en hun respectieve regressieco\u00ebffici\u00ebnten worden toegevoegd. De regressieco\u00ebffici\u00ebnten worden echter anders berekend. Klik hier om te zien hoe dit gebeurt: <\/p>\n<div style=\"background-color:#FFFDE7; padding-top: 10px; padding-bottom: 10px; padding-right: 20px; padding-left: 30px; border: 2.5px dashed #FFB74D; border-radius:20px;\"> <span style=\"color:#ff951b\">\u27a4<\/span> <strong>Zie:<\/strong> <a href=\"https:\/\/statorials.org\/nl\/eenvoudige-lineaire-regressie\/\">Eenvoudige lineaire regressie<\/a><\/div>\n","protected":false},"excerpt":{"rendered":"<p>In dit artikel wordt uitgelegd wat meervoudige lineaire regressie in de statistiek is. Daarnaast leer je hoe je een meervoudig lineair regressiemodel maakt en hoe dit wordt ge\u00efnterpreteerd. Wat is meervoudige lineaire regressie? Meervoudige lineaire regressie is een regressiemodel waarin twee of meer onafhankelijke variabelen zijn opgenomen. Met andere woorden, meervoudige lineaire regressie is een [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[14],"tags":[],"class_list":["post-313","post","type-post","status-publish","format-standard","hentry","category-statistieken"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>\u25b7 Meervoudige lineaire regressie<\/title>\n<meta name=\"description\" content=\"Hier leest u wat meervoudige lineaire regressie is, hoe een meervoudig lineair regressiemodel (formule) wordt gemaakt en hoe deze wordt ge\u00efnterpreteerd.\" \/>\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\/meervoudige-lineaire-regressie-1\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"\u25b7 Meervoudige lineaire regressie\" \/>\n<meta property=\"og:description\" content=\"Hier leest u wat meervoudige lineaire regressie is, hoe een meervoudig lineair regressiemodel (formule) wordt gemaakt en hoe deze wordt ge\u00efnterpreteerd.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/nl\/meervoudige-lineaire-regressie-1\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-08-02T16:21:11+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-fd3ba8386b5954b654ca555774108ac0_l3.png\" \/>\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=\"5\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/nl\/meervoudige-lineaire-regressie-1\/\",\"url\":\"https:\/\/statorials.org\/nl\/meervoudige-lineaire-regressie-1\/\",\"name\":\"\u25b7 Meervoudige lineaire regressie\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/nl\/#website\"},\"datePublished\":\"2023-08-02T16:21:11+00:00\",\"dateModified\":\"2023-08-02T16:21:11+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219\"},\"description\":\"Hier leest u wat meervoudige lineaire regressie is, hoe een meervoudig lineair regressiemodel (formule) wordt gemaakt en hoe deze wordt ge\u00efnterpreteerd.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/nl\/meervoudige-lineaire-regressie-1\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/nl\/meervoudige-lineaire-regressie-1\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/nl\/meervoudige-lineaire-regressie-1\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Thuis\",\"item\":\"https:\/\/statorials.org\/nl\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Meerdere lineaire regressie\"}]},{\"@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":"\u25b7 Meervoudige lineaire regressie","description":"Hier leest u wat meervoudige lineaire regressie is, hoe een meervoudig lineair regressiemodel (formule) wordt gemaakt en hoe deze wordt ge\u00efnterpreteerd.","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\/meervoudige-lineaire-regressie-1\/","og_locale":"de_DE","og_type":"article","og_title":"\u25b7 Meervoudige lineaire regressie","og_description":"Hier leest u wat meervoudige lineaire regressie is, hoe een meervoudig lineair regressiemodel (formule) wordt gemaakt en hoe deze wordt ge\u00efnterpreteerd.","og_url":"https:\/\/statorials.org\/nl\/meervoudige-lineaire-regressie-1\/","og_site_name":"Statorials","article_published_time":"2023-08-02T16:21:11+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/ql-cache\/quicklatex.com-fd3ba8386b5954b654ca555774108ac0_l3.png"}],"author":"Dr.benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Verfasst von":"Dr.benjamin anderson","Gesch\u00e4tzte Lesezeit":"5\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/nl\/meervoudige-lineaire-regressie-1\/","url":"https:\/\/statorials.org\/nl\/meervoudige-lineaire-regressie-1\/","name":"\u25b7 Meervoudige lineaire regressie","isPartOf":{"@id":"https:\/\/statorials.org\/nl\/#website"},"datePublished":"2023-08-02T16:21:11+00:00","dateModified":"2023-08-02T16:21:11+00:00","author":{"@id":"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219"},"description":"Hier leest u wat meervoudige lineaire regressie is, hoe een meervoudig lineair regressiemodel (formule) wordt gemaakt en hoe deze wordt ge\u00efnterpreteerd.","breadcrumb":{"@id":"https:\/\/statorials.org\/nl\/meervoudige-lineaire-regressie-1\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/nl\/meervoudige-lineaire-regressie-1\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/nl\/meervoudige-lineaire-regressie-1\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Thuis","item":"https:\/\/statorials.org\/nl\/"},{"@type":"ListItem","position":2,"name":"Meerdere lineaire regressie"}]},{"@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\/313","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=313"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/posts\/313\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/media?parent=313"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/categories?post=313"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/tags?post=313"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}