Deze waarde vertegenwoordigt het deel van de variantie in deresponsvariabele<\/a> dat kan worden verklaard door de voorspellende variabele.<\/span><\/p>\n De waarde van r 2<\/sup> kan vari\u00ebren van 0 tot 1:<\/span><\/p>\n Gerelateerd:<\/strong> Wat is een goede R-kwadraatwaarde?<\/a><\/span><\/p>\n In het volgende stapsgewijze voorbeeld ziet u hoe u de R-kwadraatwaarde voor een eenvoudig lineair regressiemodel in SAS kunt berekenen.<\/span><\/p>\n Voor dit voorbeeld maken we een dataset aan met daarin het totaal aantal gestudeerde uren en het eindexamencijfer van 15 studenten.<\/span><\/p>\n We passen een eenvoudig lineair regressiemodel toe met uren<\/em> als voorspellende variabele en score<\/em> als responsvariabele.<\/span><\/p>\n De volgende code laat zien hoe u deze gegevensset in SAS maakt:<\/span> <\/p>\n Vervolgens zullen we proc reg<\/strong> gebruiken om in het eenvoudige lineaire regressiemodel te passen:<\/span> <\/p>\n Merk op dat de R-kwadraatwaarde in de uitvoer 0,8310 is.<\/span><\/p>\n Dit betekent dat 83,1%<\/strong> van de variatie in examenscores kan worden verklaard door het aantal gestudeerde uren.<\/span><\/p>\n Als u alleen de R-kwadraatwaarde van dit model en geen van de andere uitvoerresultaten wilt weergeven, kunt u de volgende code gebruiken:<\/span> <\/p>\n Houd er rekening mee dat alleen de R-kwadraatwaarde van 0,83098<\/strong> in de uitvoer wordt weergegeven.<\/span><\/p>\n Opmerking<\/strong> : het noprint-<\/strong> argument in proc reg<\/strong> vertelt SAS om niet de volledige uitvoer van regressieresultaten af te drukken, zoals in de vorige stap.<\/span><\/p>\n In de volgende zelfstudies wordt uitgelegd hoe u andere veelvoorkomende taken in SAS kunt uitvoeren:<\/span><\/p>\n Hoe u eenvoudige lineaire regressie uitvoert in SAS<\/a> R-kwadraat , vaak geschreven als r2 , is een maatstaf voor hoe goed een lineair regressiemodel bij een reeks gegevens past. Deze waarde vertegenwoordigt het deel van de variantie in deresponsvariabele dat kan worden verklaard door de voorspellende variabele. De waarde van r 2 kan vari\u00ebren van 0 tot 1: Een waarde van 0 geeft […]<\/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-4429","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Stap 1: Cre\u00eber de gegevens<\/b><\/span><\/h2>\n
\/*create dataset*\/\n<\/span>data<\/span> exam_data;\n input<\/span> hours score;\n datalines<\/span> ;\n1 64\n2 66\n4 76\n5 73\n5 74\n6 81\n6 83\n7 82\n8 80\n10 88\n11 84\n11 82\n12 91\n12 93\n14 89\n;\nrun<\/span> ;\n\n\/*view dataset*\/\n<\/span>proc print<\/span> data<\/span> =exam_data;\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/simplesas1.jpg\")
<\/p>\n Stap 2: Pas het eenvoudige lineaire regressiemodel toe<\/b><\/span><\/h2>\n
\/*fit simple linear regression model*\/\n<\/span>proc reg<\/span> data<\/span> =exam_data;\n model<\/span> score = hours;\nrun<\/span> ;<\/strong> <\/pre>\n![\"eenvoudige](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/simplesas2.jpg\")
<\/p>\n Stap 3: Extraheer de R-kwadraatwaarde uit het regressiemodel<\/strong><\/span><\/h2>\n
\/*fit simple linear regression model*\/<\/span>\nproc reg<\/span> data<\/span> =exam_data outest<\/span> =outest noprint<\/span> ;\n model<\/span> score = hours \/ rsquare<\/span> ;\nrun<\/span> ;\nquit<\/span> ;\n\n\/*print R-squared value of model*\/\n<\/span>proc print<\/span> data<\/span> =outest;\n var<\/span> _RSQ_;\nrun<\/span> ;<\/span><\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/rsq1.png\")
<\/p>\n Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe u meerdere lineaire regressie uitvoert in SAS<\/a>
Hoe polynomiale regressie uit te voeren in SAS<\/a>
Hoe logistische regressie uit te voeren in SAS<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"