<\/p>\n
Aby dopasowa\u0107 model regresji liniowej<\/a> w R, mo\u017cemy u\u017cy\u0107 polecenia lm()<\/strong> .<\/span><\/p>\n Aby wy\u015bwietli\u0107 wynik modelu regresji, mo\u017cemy nast\u0119pnie u\u017cy\u0107 polecenia podsumowanie()<\/strong> .<\/span><\/p>\n W tym samouczku wyja\u015bniono, jak interpretowa\u0107 ka\u017cd\u0105 warto\u015b\u0107 wyniku regresji w j\u0119zyku R.<\/span><\/p>\n Poni\u017cszy kod pokazuje, jak dopasowa\u0107 model regresji liniowej do zintegrowanego zbioru danych mtcars<\/strong> , u\u017cywaj\u0105c hp<\/em> , drat<\/em> i wt<\/em> jako zmiennych predykcyjnych oraz mpg<\/em> jako zmiennej odpowiedzi:<\/span><\/p>\n Oto jak interpretowa\u0107 ka\u017cd\u0105 warto\u015b\u0107 na wyj\u015bciu:<\/span><\/p>\n Ta sekcja przypomina nam wz\u00f3r, kt\u00f3rego u\u017cyli\u015bmy w naszym modelu regresji. Widzimy, \u017ce u\u017cyli\u015bmy mpg<\/strong> jako zmiennej odpowiedzi oraz hp<\/strong> , drat<\/strong> i wt<\/strong> jako zmiennych predykcyjnych. Ka\u017cda zmienna pochodzi\u0142a ze zbioru danych o nazwie mtcars<\/strong> .<\/span><\/p>\n W tej sekcji przedstawiono podsumowanie rozk\u0142adu reszt z modelu regresji. Przypomnijmy, \u017ce reszta to r\u00f3\u017cnica mi\u0119dzy warto\u015bci\u0105 obserwowan\u0105 a warto\u015bci\u0105 przewidywan\u0105 modelu regresji.<\/span><\/p>\n Minimalna reszta wynios\u0142a -3,3598<\/strong> , mediana reszty wynios\u0142a -0,5099<\/strong> , a maksymalna reszta wynios\u0142a 5,7078<\/strong> .<\/span><\/p>\n W tej sekcji wy\u015bwietlane s\u0105 oszacowane wsp\u00f3\u0142czynniki modelu regresji. Mo\u017cemy u\u017cy\u0107 tych wsp\u00f3\u0142czynnik\u00f3w do utworzenia nast\u0119puj\u0105cego szacunkowego r\u00f3wnania regresji:<\/span><\/p>\n mpg = 29,39 \u2013 0,03*KM + 1,62*drat \u2013 3,23*waga<\/span><\/p>\n Dla ka\u017cdej zmiennej predykcyjnej otrzymujemy nast\u0119puj\u0105ce warto\u015bci:<\/span><\/p>\n Oszacowanie:<\/strong> szacowany wsp\u00f3\u0142czynnik. M\u00f3wi nam to o \u015brednim wzro\u015bcie zmiennej odpowiedzi powi\u0105zanym ze wzrostem o jedn\u0105 jednostk\u0119 zmiennej predykcyjnej, przy za\u0142o\u017ceniu, \u017ce wszystkie pozosta\u0142e zmienne predykcyjne pozostaj\u0105 sta\u0142e.<\/span><\/p>\n Standard.<\/strong> B\u0142\u0105d<\/strong> : Jest to b\u0142\u0105d standardowy wsp\u00f3\u0142czynnika. Jest to miara niepewno\u015bci naszego oszacowania wsp\u00f3\u0142czynnika.<\/span><\/p>\n Warto\u015b\u0107 t:<\/strong> Jest to statystyka t dla zmiennej predykcyjnej, obliczona jako (oszacowanie) \/ (b\u0142\u0105d standardowy).<\/span><\/p>\n Pr(>|t|):<\/strong> Jest to warto\u015b\u0107 p odpowiadaj\u0105ca statystyce t. Je\u017celi warto\u015b\u0107 ta jest ni\u017csza od pewnego poziomu alfa (na przyk\u0142ad 0,05), zmienn\u0105 predykcyjn\u0105 uznaje si\u0119 za istotn\u0105 statystycznie.<\/span><\/p>\n Gdyby\u015bmy zastosowali poziom alfa \u03b1 = 0,05 do okre\u015blenia, kt\u00f3re predyktory by\u0142y istotne w tym modelu regresji, powiedzieliby\u015bmy, \u017ce hp<\/strong> i wt<\/strong> s\u0105 statystycznie istotnymi predyktorami, podczas gdy drat<\/strong> nie.<\/span><\/p>\n W ostatniej sekcji przedstawiono r\u00f3\u017cne liczby, kt\u00f3re pomagaj\u0105 nam oceni\u0107, jak dobrze model regresji pasuje do naszego zbioru danych.<\/span><\/p>\n Resztkowy b\u0142\u0105d standardowy:<\/strong> M\u00f3wi nam o \u015bredniej odleg\u0142o\u015bci mi\u0119dzy obserwowanymi warto\u015bciami a lini\u0105 regresji. Im mniejsza warto\u015b\u0107, tym lepiej model regresji jest w stanie dopasowa\u0107 dane.<\/span><\/p>\n Stopnie swobody oblicza si\u0119 jako nk-1, gdzie n = ca\u0142kowita liczba obserwacji, a k = liczba predyktor\u00f3w. W tym przyk\u0142adzie mtcars ma 32 obserwacje, a w modelu regresji u\u017cyli\u015bmy 3 predyktor\u00f3w, wi\u0119c stopnie swobody wynosz\u0105 32 \u2013 3 \u2013 1 = 28.<\/span><\/p>\n Wielokrotne R-kwadrat:<\/strong> Nazywa si\u0119 to wsp\u00f3\u0142czynnikiem determinacji. M\u00f3wi nam, jak\u0105 cz\u0119\u015b\u0107 wariancji zmiennej odpowiedzi<\/a> mo\u017cna wyja\u015bni\u0107 za pomoc\u0105 zmiennych predykcyjnych.<\/span><\/p>\n Warto\u015b\u0107 ta waha si\u0119 od 0 do 1. Im bli\u017cej jest ona 1, tym lepiej zmienne predykcyjne s\u0105 w stanie przewidzie\u0107 warto\u015b\u0107 zmiennej odpowiedzi.<\/span><\/p>\n Skorygowane R-kwadrat:<\/strong> Jest to zmodyfikowana wersja R-kwadrat, kt\u00f3ra zosta\u0142a skorygowana na podstawie liczby predyktor\u00f3w w modelu. Jest to zawsze mniej ni\u017c R kwadrat.<\/span><\/p>\n Skorygowany wsp\u00f3\u0142czynnik R-kwadrat mo\u017ce by\u0107 przydatny do por\u00f3wnywania dopasowania r\u00f3\u017cnych modeli regresji, kt\u00f3re wykorzystuj\u0105 r\u00f3\u017cn\u0105 liczb\u0119 zmiennych predykcyjnych.<\/span><\/p>\n Statystyka F:<\/strong> wskazuje, czy model regresji zapewnia lepsze dopasowanie do danych ni\u017c model, kt\u00f3ry nie zawiera zmiennych niezale\u017cnych. Zasadniczo sprawdza, czy model regresji jako ca\u0142o\u015b\u0107 jest przydatny.<\/span><\/p>\n Warto\u015b\u0107 p:<\/strong> Jest to warto\u015b\u0107 p odpowiadaj\u0105ca statystyce F. Je\u017celi warto\u015b\u0107 ta jest poni\u017cej pewnego poziomu istotno\u015bci (np. 0,05), w\u00f3wczas model regresji lepiej dopasowuje si\u0119 do danych ni\u017c model bez predyktor\u00f3w.<\/span><\/p>\n Buduj\u0105c modele regresji, mamy nadziej\u0119, \u017ce ta warto\u015b\u0107 p jest poni\u017cej pewnego poziomu istotno\u015bci, poniewa\u017c wskazuje, \u017ce zmienne predykcyjne s\u0105 faktycznie przydatne w przewidywaniu warto\u015bci zmiennej odpowiedzi.<\/span><\/p>\n Jak wykona\u0107 prost\u0105 regresj\u0119 liniow\u0105 w R<\/a> Aby dopasowa\u0107 model regresji liniowej w R, mo\u017cemy u\u017cy\u0107 polecenia lm() . Aby wy\u015bwietli\u0107 wynik modelu regresji, mo\u017cemy nast\u0119pnie u\u017cy\u0107 polecenia podsumowanie() . W tym samouczku wyja\u015bniono, jak interpretowa\u0107 ka\u017cd\u0105 warto\u015b\u0107 wyniku regresji w j\u0119zyku R. Przyk\u0142ad: interpretacja wyniku regresji w R Poni\u017cszy kod pokazuje, jak dopasowa\u0107 model regresji liniowej do zintegrowanego zbioru danych mtcars […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-1251","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Przyk\u0142ad: interpretacja wyniku regresji w R<\/strong><\/h3>\n
#fit regression model using hp, drat, and wt as predictors\n<\/span>model <- lm(mpg ~ hp + drat + wt, data = mtcars)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nlm(formula = mpg ~ hp + drat + wt, data = mtcars)\n\nResiduals:\n Min 1Q Median 3Q Max \n-3.3598 -1.8374 -0.5099 0.9681 5.7078 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 29.394934 6.156303 4.775 5.13e-05 ***\nhp -0.032230 0.008925 -3.611 0.001178 ** \ndrat 1.615049 1.226983 1.316 0.198755 \nwt -3.227954 0.796398 -4.053 0.000364 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 2.561 on 28 degrees of freedom\nMultiple R-squared: 0.8369, Adjusted R-squared: 0.8194 \nF-statistic: 47.88 on 3 and 28 DF, p-value: 3.768e-11\n<\/strong><\/pre>\n Dzwoni\u0107<\/strong><\/span><\/h3>\n
Call:\nlm(formula = mpg ~ hp + drat + wt, data = mtcars)<\/strong><\/pre>\n
Pozosta\u0142o\u015bci<\/strong><\/span><\/h3>\n
Residuals:\n Min 1Q Median 3Q Max \n-3.3598 -1.8374 -0.5099 0.9681 5.7078 \n<\/strong><\/pre>\n
Wsp\u00f3\u0142czynniki<\/strong><\/span><\/h3>\n
Coefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 29.394934 6.156303 4.775 5.13e-05 ***\nhp -0.032230 0.008925 -3.611 0.001178 ** \ndrat 1.615049 1.226983 1.316 0.198755 \nwt -3.227954 0.796398 -4.053 0.000364 ***\n\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n<\/strong><\/pre>\n
Ocena adekwatno\u015bci modelu<\/strong><\/span><\/h3>\n
Residual standard error: 2.561 on 28 degrees of freedom\nMultiple R-squared: 0.8369, Adjusted R-squared: 0.8194 \nF-statistic: 47.88 on 3 and 28 DF, p-value: 3.768e-11\n<\/strong><\/pre>\n
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak wykona\u0107 wielokrotn\u0105 regresj\u0119 liniow\u0105 w R<\/a>
Jaka jest dobra warto\u015b\u0107 R-kwadrat?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"