Om de kleinste kwadratenmethode te gebruiken om een regressielijn in R te passen, kunnen we de functie lm()<\/strong> gebruiken.<\/span><\/p>\n Deze functie gebruikt de volgende basissyntaxis:<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u deze functie in R kunt gebruiken.<\/span><\/p>\n Stel dat we het volgende gegevensframe in R hebben dat het aantal gestudeerde uren en de bijbehorende examenscore voor 15 studenten in een klas weergeeft:<\/span><\/p>\n We kunnen de functie lm()<\/strong> gebruiken om de kleinste kwadratenmethode te gebruiken om een regressielijn aan deze gegevens te koppelen:<\/span><\/p>\n Uit de waarden in de kolom Geschat<\/strong> resultaat kunnen we de volgende aangepaste regressielijn schrijven:<\/span><\/p>\n Examenscore = 65.334 + 1.982 (uren)<\/span><\/p>\n Zo interpreteert u elke co\u00ebffici\u00ebnt in het model:<\/span><\/p>\n We kunnen deze vergelijking gebruiken om een schatting te maken van het examencijfer dat een student zal ontvangen op basis van de bestudeerde uren.<\/span><\/p>\n Als een student bijvoorbeeld 5 uur studeert, schatten we dat zijn examenscore 75,244 zou zijn:<\/span><\/p>\n Examenscore = 65.334 + 1.982(5) = 75.244<\/span><\/p>\n Ten slotte kunnen we een spreidingsdiagram maken van de originele gegevens met de passende regressielijn over de grafiek heen:<\/span> <\/p>\n De blauwe cirkels vertegenwoordigen de gegevens en de zwarte lijn vertegenwoordigt de gepaste regressielijn.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in R kunt uitvoeren:<\/span><\/p>\n Hoe maak je een restplot in R<\/a> De kleinste kwadratenmethode is een methode die we kunnen gebruiken om de regressielijn te vinden die het beste bij een gegeven set gegevens past. Om de kleinste kwadratenmethode te gebruiken om een regressielijn in R te passen, kunnen we de functie lm() gebruiken. Deze functie gebruikt de volgende basissyntaxis: model <- lm(response ~ predictor, data=df) […]<\/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-3908","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n model <- lm(response ~ predictor, data=df)\n<\/strong><\/pre>\n
Voorbeeld: kleinste kwadratenmethode in R<\/strong><\/span><\/h2>\n
#create data frame\n<\/span>df <- data. frame<\/span> (hours=c(1, 2, 4, 5, 5, 6, 6, 7, 8, 10, 11, 11, 12, 12, 14),\n score=c(64, 66, 76, 73, 74, 81, 83, 82, 80, 88, 84, 82, 91, 93, 89))\n\n#view first six rows of data frame\n<\/span>head(df)\n\n hours score\n1 1 64\n2 2 66\n3 4 76\n4 5 73\n5 5 74\n6 6 81\n<\/strong><\/pre>\n #use method of least squares to fit regression line\n<\/span>model <- lm(score ~ hours, data=df)\n\n#view regression model summary<\/span>\nsummary(model)\n\nCall:\nlm(formula = score ~ hours, data = df)\n\nResiduals:\n Min 1Q Median 3Q Max \n-5,140 -3,219 -1,193 2,816 5,772 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 65,334 2,106 31,023 1.41e-13 ***\nhours 1.982 0.248 7.995 2.25e-06 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.641 on 13 degrees of freedom\nMultiple R-squared: 0.831, Adjusted R-squared: 0.818 \nF-statistic: 63.91 on 1 and 13 DF, p-value: 2.253e-06\n<\/strong><\/pre>\n\n
#create scatter plot of data\n<\/span>plot(df$hours, df$score, pch=16, col=' steelblue<\/span> ')\n\n#add fitted regression line to scatter plot\n<\/span>abline(model)\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/methode1.jpg\")
<\/p>\n Aanvullende bronnen<\/span><\/strong><\/h2>\n
Hoe te testen op multicollineariteit in R<\/a>
Hoe u curve-fitting uitvoert in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"