<\/p>\n
U kunt de volgende methoden gebruiken om regressieco\u00ebffici\u00ebnten uit de glm()<\/strong> -functie in R te extraheren:<\/span><\/p>\n Methode 1: extraheer alle regressieco\u00ebffici\u00ebnten<\/strong><\/span><\/p>\n Methode 2: Extraheer de regressieco\u00ebffici\u00ebnt voor een specifieke variabele<\/strong><\/span><\/p>\n Methode 3: Extraheer alle regressieco\u00ebffici\u00ebnten met standaardfout, Z-waarde en P-waarde<\/strong><\/span><\/p>\n Het volgende voorbeeld laat zien hoe u deze methoden in de praktijk kunt gebruiken.<\/span><\/p>\n Stel dat we een logistisch regressiemodel<\/a> passen met behulp van de standaarddataset<\/strong> uit het ISLR-<\/strong> pakket:<\/span><\/p>\n We kunnen model$coefficients<\/strong> typen om alle regressieco\u00ebffici\u00ebnten uit het model te extraheren:<\/span><\/p>\n We kunnen ook model$coefficients[‚balance‘]<\/strong> typen om de regressieco\u00ebffici\u00ebnt alleen voor de balance-<\/strong> variabele te extraheren:<\/span><\/span><\/p>\n Om de regressieco\u00ebffici\u00ebnten samen met hun standaardfouten, z-waarden en p-waarden<\/a> weer te geven, kunnen we de summary(model)$-co\u00ebffici\u00ebnten<\/strong> als volgt gebruiken:<\/span><\/p>\n We hebben ook toegang tot specifieke waarden in deze uitvoer.<\/span><\/p>\n We kunnen bijvoorbeeld de volgende code gebruiken om toegang te krijgen tot de p-waarde van de balance-<\/b> variabele:<\/span><\/p>\n Of we kunnen de volgende code gebruiken om toegang te krijgen tot de p-waarde voor elk van de regressieco\u00ebffici\u00ebnten:<\/span><\/p>\n Voor elke regressieco\u00ebffici\u00ebnt in het model worden P-waarden weergegeven.<\/span><\/p>\n U kunt een vergelijkbare syntaxis gebruiken om toegang te krijgen tot elke waarde in de uitvoer.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in R kunt uitvoeren:<\/span><\/p>\n Hoe eenvoudige lineaire regressie uit te voeren in R<\/a> U kunt de volgende methoden gebruiken om regressieco\u00ebffici\u00ebnten uit de glm() -functie in R te extraheren: Methode 1: extraheer alle regressieco\u00ebffici\u00ebnten model$coefficients Methode 2: Extraheer de regressieco\u00ebffici\u00ebnt voor een specifieke variabele model$coefficients[‚ my_variable ‚] Methode 3: Extraheer alle regressieco\u00ebffici\u00ebnten met standaardfout, Z-waarde en P-waarde summary(model)$coefficients Het volgende voorbeeld laat zien hoe u deze methoden in […]<\/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-4279","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n model$coefficients\n<\/strong><\/pre>\n
model$coefficients[' my_variable<\/span> ']<\/strong><\/pre>\n summary(model)$coefficients<\/strong><\/pre>\n
Voorbeeld: extraheer regressieco\u00ebffici\u00ebnten uit glm() in R<\/strong><\/span><\/h2>\n
#load dataset\n<\/span>data <- ISLR::Default\n\n#view first six rows of data\n<\/span>head(data)\n\n default student balance income\n1 No No 729.5265 44361.625\n2 No Yes 817.1804 12106.135\n3 No No 1073.5492 31767.139\n4 No No 529.2506 35704.494\n5 No No 785.6559 38463.496\n6 No Yes 919.5885 7491.559\n\n#fit logistic regression model\n<\/span>model <- glm(default~student+balance+income, family=' binomial<\/span> ', data=data)\n\n#view summary of logistic regression model\n<\/span>summary(model)\n\nCall:\nglm(formula = default ~ student + balance + income, family = \"binomial\", \n data = data)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-2.4691 -0.1418 -0.0557 -0.0203 3.7383 \n\nCoefficients:\n Estimate Std. Error z value Pr(>|z|) \n(Intercept) -1.087e+01 4.923e-01 -22.080 < 2e-16 ***\nstudentYes -6.468e-01 2.363e-01 -2.738 0.00619 ** \nbalance 5.737e-03 2.319e-04 24.738 < 2e-16 ***\nincome 3.033e-06 8.203e-06 0.370 0.71152 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\n(Dispersion parameter for binomial family taken to be 1)\n\n Null deviance: 2920.6 on 9999 degrees of freedom\nResidual deviance: 1571.5 on 9996 degrees of freedom\nAIC: 1579.5\n\nNumber of Fisher Scoring iterations: 8<\/strong><\/pre>\n #extract all regression coefficients\n<\/span>model$coefficients\n\n (Intercept) studentYes balance income \n-1.086905e+01 -6.467758e-01 5.736505e-03 3.033450e-06\n<\/strong><\/pre>\n #extract coefficient for 'balance'\n<\/span>model$coefficients[' balance<\/span> ']\n\n<\/span><\/span>balance \n0.005736505\n<\/strong><\/pre>\n #view regression coefficients with standard errors, z values and p-values\n<\/span>summary(model)$coefficients\n\n Estimate Std. Error z value Pr(>|z|)\n(Intercept) -1.086905e+01 4.922555e-01 -22.080088 4.911280e-108\nstudentYes -6.467758e-01 2.362525e-01 -2.737646 6.188063e-03\nbalance 5.736505e-03 2.318945e-04 24.737563 4.219578e-135\nincome 3.033450e-06 8.202615e-06 0.369815 7.115203e-01<\/strong><\/pre>\n #view p-value for balance variable\n<\/span>summary(model)$coefficients[' balance<\/span> ', ' Pr(>|z|)<\/span> ']\n\n[1] 4.219578e-135\n<\/strong><\/pre>\n #view p-value for all variables\n<\/span>summary(model)$coefficients[, ' Pr(>|z|)<\/span> ']\n\n (Intercept) studentYes balance income \n4.911280e-108 6.188063e-03 4.219578e-135 7.115203e-01 \n<\/strong><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe meervoudige lineaire regressie uit te voeren in R<\/a>
Hoe logistische regressie uit te voeren in R
Hoe kwadratische regressie uit te voeren in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"