{"id":1312,"date":"2023-07-26T22:05:53","date_gmt":"2023-07-26T22:05:53","guid":{"rendered":"https:\/\/statorials.org\/pl\/wykresl-wielokrotna-regresje-liniowa-w-r\/"},"modified":"2023-07-26T22:05:53","modified_gmt":"2023-07-26T22:05:53","slug":"wykresl-wielokrotna-regresje-liniowa-w-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/pl\/wykresl-wielokrotna-regresje-liniowa-w-r\/","title":{"rendered":"Jak wykre\u015bli\u0107 wyniki wielokrotnej regresji liniowej w r"},"content":{"rendered":"

<\/p>\n

\n

Kiedy przeprowadzamy prost\u0105 regresj\u0119 liniow\u0105<\/a> w R, \u0142atwo jest wizualizowa\u0107 dopasowan\u0105 lini\u0119 regresji, poniewa\u017c pracujemy tylko z jedn\u0105 zmienn\u0105 predykcyjn\u0105 i jedn\u0105zmienn\u0105 odpowiedzi<\/a> .<\/span><\/p>\n

Na przyk\u0142ad poni\u017cszy kod pokazuje, jak dopasowa\u0107 prosty model regresji liniowej do zbioru danych i wykre\u015bli\u0107 wyniki:<\/span> <\/p>\n

 #create dataset\n<\/span>data <- data.frame(x = c(1, 1, 2, 4, 4, 5, 6, 7, 7, 8, 9, 10, 11, 11),\n                   y = c(13, 14, 17, 23, 24, 25, 25, 24, 28, 32, 33, 35, 40, 41))\n\n#fit simple linear regression model\n<\/span>model <- lm(y ~ x, data = data)\n\n#create scatterplot of data\n<\/span>plot(data$x, data$y)\n\n#add fitted regression line\n<\/span>abline(model)\n<\/strong><\/pre>\n
\"Wykre\u015blanie<\/p>\n
 Zamiast tego mo\u017cemy u\u017cy\u0107 dodanych wykres\u00f3w zmiennych<\/strong> (czasami nazywanych \u201ewykresami regresji cz\u0119\u015bciowej\u201d), kt\u00f3re s\u0105 indywidualnymi wykresami przedstawiaj\u0105cymi zwi\u0105zek mi\u0119dzy zmienn\u0105 odpowiedzi a zmienn\u0105 predykcyjn\u0105, kontroluj\u0105c jednocze\u015bnie obecno\u015b\u0107 innych zmiennych predykcyjnych w modelu<\/em> .<\/span><\/p>\n
 Poni\u017cszy przyk\u0142ad pokazuje, jak przeprowadzi\u0107 wielokrotn\u0105 regresj\u0119 liniow\u0105 w R i wizualizowa\u0107 wyniki za pomoc\u0105 do\u0142\u0105czonych wykres\u00f3w zmiennych.<\/span><\/p>\n
 Przyk\u0142ad: wykre\u015blanie wynik\u00f3w wielokrotnej regresji liniowej w R<\/strong><\/span><\/h3>\n
 Za\u0142\u00f3\u017cmy, \u017ce dopasowujemy nast\u0119puj\u0105cy model regresji liniowej do zbioru danych w R, korzystaj\u0105c z wbudowanego zbioru danych mtcars<\/strong> :<\/span><\/p>\n
 #fit multiple linear regression model\nmodel <- lm(mpg ~ disp + hp + drat, data = mtcars)\n<\/span>\n#view results of model\nsummary(model)\n\nCall:\nlm(formula = mpg ~ disp + hp + drat, data = mtcars)\n\nResiduals:\n    Min 1Q Median 3Q Max \n-5.1225 -1.8454 -0.4456 1.1342 6.4958 \n\nCoefficients:\n             Estimate Std. Error t value Pr(>|t|)   \n(Intercept) 19.344293 6.370882 3.036 0.00513 **\navailable -0.019232 0.009371 -2.052 0.04960 * \nhp -0.031229 0.013345 -2.340 0.02663 * \ndrat 2.714975 1.487366 1.825 0.07863 . \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.008 on 28 degrees of freedom\nMultiple R-squared: 0.775, Adjusted R-squared: 0.7509 \nF-statistic: 32.15 on 3 and 28 DF, p-value: 3.28e-09\n<\/span><\/span><\/strong><\/pre>\n
 Z wynik\u00f3w wida\u0107, \u017ce warto\u015b\u0107 p dla ka\u017cdego ze wsp\u00f3\u0142czynnik\u00f3w jest mniejsza ni\u017c 0,1. Dla uproszczenia przyjmiemy, \u017ce ka\u017cda ze zmiennych predykcyjnych jest istotna i powinna zosta\u0107 uwzgl\u0119dniona w modelu.<\/span><\/p>\n
 Aby utworzy\u0107 wykresy do\u0142\u0105czonych zmiennych, mo\u017cemy u\u017cy\u0107 funkcji avPlots()<\/strong> z pakietu car<\/strong> :<\/span> <\/p>\n
 #load car package\nlibrary(car)\n<\/span>\n#produce added variable plots\navPlots(model)<\/span>\n<\/span><\/strong><\/pre>\n
\"Wykre\u015blanie<\/p>\n
 Oto jak interpretowa\u0107 ka\u017cdy wykres:<\/span><\/p>\n
 Jednak\u017ce, gdy przeprowadzamy wielokrotn\u0105 regresj\u0119 liniow\u0105,<\/a> wizualizacja wynik\u00f3w staje si\u0119 trudna, poniewa\u017c istnieje wiele zmiennych predykcyjnych i nie mo\u017cemy po prostu wykre\u015bli\u0107 linii regresji na wykresie 2D.<\/span><\/p>\n