<\/p>\n
Lineaire regressie is een methode die we kunnen gebruiken om de relatie tussen een of meer voorspellende variabelen en eenresponsvariabele<\/a> te kwantificeren.<\/span><\/p>\n Vaak wilt u misschien een regressiemodel passen met een of meercategorische variabelen<\/a> als voorspellende variabelen.<\/span><\/p>\n Deze tutorial biedt een stapsgewijs voorbeeld van hoe u lineaire regressie kunt uitvoeren met categorische variabelen in R.<\/span><\/p>\n Stel dat we het volgende dataframe in R hebben dat informatie bevat over drie variabelen voor 12 verschillende basketbalspelers:<\/span><\/p>\n Stel dat we aan het volgende lineaire regressiemodel willen voldoen:<\/span><\/p>\n punten = \u03b2 0<\/sub> + \u03b2 1<\/sub> uur + \u03b2 2<\/sub> programma<\/strong><\/span><\/p>\n In dit voorbeeld zijn uren een continue variabele, maar programma is een categorische variabele<\/strong> die drie mogelijke categorie\u00ebn kan aannemen: programma 1, programma 2 of programma 3.<\/span><\/p>\n Om aan dit regressiemodel te voldoen en R te vertellen dat de variabele „programma“ een categorische variabele is, moeten we as.factor()<\/strong> gebruiken om deze naar een factor te converteren en vervolgens het model aanpassen:<\/span><\/p>\n Uit de waarden in de kolom Schatting<\/strong> kunnen we het gepaste regressiemodel schrijven:<\/span><\/p>\n punten = 6,3013 + 0,9744 (uren) + 2,2949 (programma 2) + 6,8462 (programma 3)<\/strong><\/span><\/p>\n Hier leest u hoe u de co\u00ebffici\u00ebntwaarden in het resultaat interpreteert:<\/span><\/p>\n Met behulp van het gepaste regressiemodel kunnen we het aantal punten voorspellen dat een speler scoort op basis van het totaal aantal uren training en het programma dat hij heeft gebruikt.<\/span><\/p>\n We kunnen bijvoorbeeld de volgende code gebruiken om de punten te voorspellen die zijn gescoord door een speler die 5 uur heeft getraind en trainingsschema 3 heeft gebruikt:<\/span><\/p>\n Het model voorspelt dat deze nieuwe speler 18,01923<\/strong> punten zal scoren.<\/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 Dit komt overeen met de waarde die we hebben berekend met de functie voorspellen()<\/strong> in R.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in R kunt uitvoeren:<\/span><\/p>\n Hoe eenvoudige lineaire regressie uit te voeren in R<\/a> Lineaire regressie is een methode die we kunnen gebruiken om de relatie tussen een of meer voorspellende variabelen en eenresponsvariabele te kwantificeren. Vaak wilt u misschien een regressiemodel passen met een of meercategorische variabelen als voorspellende variabelen. Deze tutorial biedt een stapsgewijs voorbeeld van hoe u lineaire regressie kunt uitvoeren met categorische variabelen in R. […]<\/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-3469","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Voorbeeld: lineaire regressie met categorische variabelen in R<\/strong><\/span><\/h2>\n
\n
#create data frame\n<\/span>df <- data. frame<\/span> (points=c(7, 7, 9, 10, 13, 14, 12, 10, 16, 19, 22, 18),\n hours=c(1, 2, 2, 3, 2, 6, 4, 3, 4, 5, 8, 6),\n program=c(1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3))\n\n#view data frame\n<\/span>df\n\n points hours program\n1 7 1 1\n2 7 2 1\n3 9 2 1\n4 10 3 1\n5 13 2 2\n6 14 6 2\n7 12 4 2\n8 10 3 2\n9 16 4 3\n10 19 5 3\n11 22 8 3\n12 18 6 3<\/strong><\/pre>\n #convert 'program' to factor\ndf$program <- as. factor<\/span> (df$program)\n<\/span>\n#fit linear regression model\nfit <- lm(points ~ hours + program, data = df)\n<\/span>\n#view model summary\nsummary(fit)\n\nCall:\nlm(formula = points ~ hours + program, data = df)\n\nResiduals:\n Min 1Q Median 3Q Max \n-1.5192 -1.0064 -0.3590 0.8269 2.4551 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 6.3013 0.9462 6.660 0.000159 ***\nhours 0.9744 0.3176 3.068 0.015401 * \nprogram2 2.2949 1.1369 2.019 0.078234 . \nprogram3 6.8462 1.5499 4.417 0.002235 ** \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 1.403 on 8 degrees of freedom\nMultiple R-squared: 0.9392, Adjusted R-squared: 0.9164 \nF-statistic: 41.21 on 3 and 8 DF, p-value: 3.276e-05<\/span><\/span><\/strong><\/pre>\n\n
\n
\n
\n
#define new player\n<\/span>new <- data. frame<\/span> (hours=c(5), program=as. factor<\/span> (c(3)))\n\n#use the fitted model to predict the points for the new player\n<\/span>predict(fit, newdata=new)\n\n 1 \n18.01923 \n<\/strong><\/pre>\n\n
Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe meervoudige lineaire regressie uit te voeren in R<\/a>
Hoe maak je een restplot in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"