<\/p>\n
We voeren een eenvoudige lineaire regressie<\/a> uit, we eindigen met de volgende geschatte regressievergelijking:<\/span><\/p>\n \u0177 = b0<\/sub> + b1<\/sub> x<\/span><\/strong><\/p>\n Over het algemeen willen we weten of de hellingsco\u00ebffici\u00ebnt b 1<\/sub> statistisch significant is.<\/span><\/p>\n Om te bepalen of b 1<\/sub> statistisch significant is, kunnen we een t-test uitvoeren met de volgende teststatistiek:<\/span><\/p>\n t = b1<\/sub> \/ se( b1<\/sub> )<\/span><\/strong><\/p>\n Goud:<\/span><\/p>\n We kunnen dan de p-waarde<\/a> berekenen die overeenkomt met deze teststatistiek met n-2 vrijheidsgraden.<\/span><\/p>\n Als de p-waarde kleiner is dan een bepaalde drempel (bijvoorbeeld \u03b1 = 0,05), kunnen we concluderen dat de hellingsco\u00ebffici\u00ebnt niet nul is.<\/span><\/p>\n Met andere woorden: er is een statistisch significante relatie tussen de voorspellende variabele en deresponsvariabele<\/a> in het model.<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u een t-test uitvoert voor de helling van een regressielijn in R.<\/span><\/p>\n Stel dat we het volgende dataframe in R hebben dat informatie bevat over de gestudeerde uren en de eindexamenscores behaald door 12 studenten in een klas:<\/span><\/p>\n Laten we zeggen dat we een eenvoudig lineair regressiemodel willen toepassen om te bepalen of er een statistisch significante relatie bestaat tussen de bestudeerde uren en examenscores.<\/span><\/p>\n We kunnen de functie lm()<\/a> in R gebruiken om in dit regressiemodel te passen:<\/span><\/p>\n Uit de modelresultaten kunnen we zien dat de geschatte regressievergelijking is:<\/span><\/p>\n Examenscore = 67,7685 + 2,7037 (uren)<\/span><\/p>\n Om te testen of de hellingsco\u00ebffici\u00ebnt statistisch significant is, kunnen we de t-teststatistiek als volgt berekenen:<\/span><\/p>\n De p-waarde die overeenkomt met deze t-teststatistiek wordt weergegeven in de kolom Pr(> |t|)<\/strong> in de uitvoer.<\/span><\/p>\n De p-waarde blijkt 0,00464<\/strong> te zijn.<\/span><\/p>\n Omdat deze p-waarde kleiner is dan 0,05, concluderen we dat de hellingsco\u00ebffici\u00ebnt statistisch significant is.<\/span><\/p>\n Met andere woorden: er is een statistisch significante relatie tussen het aantal gestudeerde uren en het eindcijfer dat een student op het examen heeft behaald.<\/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> We voeren een eenvoudige lineaire regressie uit, we eindigen met de volgende geschatte regressievergelijking: \u0177 = b0 + b1 x Over het algemeen willen we weten of de hellingsco\u00ebffici\u00ebnt b 1 statistisch significant is. Om te bepalen of b 1 statistisch significant is, kunnen we een t-test uitvoeren met de volgende teststatistiek: t = b1 […]<\/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-4152","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Voorbeeld: uitvoeren van een t-test voor de helling van de regressielijn in R<\/strong><\/span><\/h2>\n
#create data frame\n<\/span>df <- data. frame<\/span> (hours=c(1, 1, 2, 2, 3, 4, 5, 5, 5, 6, 6, 8),\n score=c(65, 67, 78, 75, 73, 84, 80, 76, 89, 91, 83, 82))\n\n#view data frame\n<\/span>df\n\n hours score\n1 1 65\n2 1 67\n3 2 78\n4 2 75\n5 3 73\n6 4 84\n7 5 80\n8 5 76\n9 5 89\n10 6 91\n11 6 83\n12 8 82<\/strong><\/pre>\n #fit simple linear regression model\n<\/span>fit <- lm(score ~ hours, data=df)\n\n#view model summary\n<\/span>summary(fit)\n\nCall:\nlm(formula = score ~ hours, data = df)\n\nResiduals:\n Min 1Q Median 3Q Max \n-7,398 -3,926 -1,139 4,972 7,713 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 67.7685 3.3757 20.075 2.07e-09 ***\nhours 2.7037 0.7456 3.626 0.00464 ** \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 5.479 on 10 degrees of freedom\nMultiple R-squared: 0.568, Adjusted R-squared: 0.5248 \nF-statistic: 13.15 on 1 and 10 DF, p-value: 0.004641\n<\/strong><\/pre>\n\n
Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe meervoudige lineaire regressie uit te voeren in R<\/a>
Hoe regressie-uitvoer in R te interpreteren<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"