{"id":2428,"date":"2023-07-22T07:47:44","date_gmt":"2023-07-22T07:47:44","guid":{"rendered":"https:\/\/statorials.org\/pl\/zinterpretuj-wyjscie-glm-w-r\/"},"modified":"2023-07-22T07:47:44","modified_gmt":"2023-07-22T07:47:44","slug":"zinterpretuj-wyjscie-glm-w-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/pl\/zinterpretuj-wyjscie-glm-w-r\/","title":{"rendered":"Jak interpretowa\u0107 wynik glm w r (z przyk\u0142adem)"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\">Funkcji <strong>glm()<\/strong> w R mo\u017cna u\u017cy\u0107 do dopasowania uog\u00f3lnionych modeli liniowych.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Ta funkcja wykorzystuje nast\u0119puj\u0105c\u0105 sk\u0142adni\u0119:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>glm(formu\u0142a, rodzina=Gaussian, dane, \u2026)<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Z\u0142oto:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>formu\u0142a:<\/strong> Formu\u0142a modelu liniowego (np. y ~ x1 + x2)<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>rodzina:<\/strong> rodzina statystyczna, kt\u00f3rej nale\u017cy u\u017cy\u0107 w celu dopasowania modelu. Warto\u015b\u0107 domy\u015blna to Gaussian, ale inne opcje obejmuj\u0105 mi\u0119dzy innymi Dwumian, Gamma i Poissona.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>dane:<\/strong> nazwa bloku danych zawieraj\u0105cego dane<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">W praktyce funkcja ta jest najcz\u0119\u015bciej wykorzystywana do dopasowywania <a href=\"https:\/\/statorials.org\/pl\/regresja-logistyczna-1\/\" target=\"_blank\" rel=\"noopener\">modeli regresji logistycznej<\/a> poprzez okre\u015blenie rodziny \u201edwumianowej\u201d.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Poni\u017cszy przyk\u0142ad pokazuje, jak interpretowa\u0107 dane wyj\u015bciowe glm w R dla modelu regresji logistycznej.<\/span><\/p>\n<h2> <span style=\"color: #000000;\"><strong>Przyk\u0142ad: Jak interpretowa\u0107 dane wyj\u015bciowe glm w R<\/strong><\/span><\/h2>\n<p> <span style=\"color: #000000;\">W tym przyk\u0142adzie u\u017cyjemy zestawu danych <a href=\"https:\/\/statorials.org\/pl\/zbior-danych-mtcars-r\/\" target=\"_blank\" rel=\"noopener\">mtcars<\/a> wbudowanego w R:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#view first six rows of <em>mtcars<\/em> dataset\n<\/span>head(mtcars)\n\n                   mpg cyl disp hp drat wt qsec vs am gear carb\nMazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4\nMazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4\nDatsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1\nHornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1\nHornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2\nValiant 18.1 6 225 105 2.76 3,460 20.22 1 0 3 1\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">U\u017cyjemy zmiennych <strong>disp<\/strong> i <strong>hp<\/strong> , aby przewidzie\u0107 prawdopodobie\u0144stwo, \u017ce dany samoch\u00f3d przyjmie warto\u015b\u0107 1 dla zmiennej <strong>am<\/strong> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Poni\u017cszy kod pokazuje, jak u\u017cy\u0107 funkcji <strong>glm()<\/strong> , aby dopasowa\u0107 ten model regresji logistycznej:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#fit logistic regression model\n<\/span>model &lt;- glm(am ~ disp + hp, data=mtcars, family=binomial)\n\n<span style=\"color: #008080;\">#view model summary\n<\/span>summary(model)\n\nCall:\nglm(formula = am ~ disp + hp, family = binomial, data = mtcars)\n\nDeviance Residuals: \n    Min 1Q Median 3Q Max  \n-1.9665 -0.3090 -0.0017 0.3934 1.3682  \n\nCoefficients:\n            Estimate Std. Error z value Pr(&gt;|z|)  \n(Intercept) 1.40342 1.36757 1.026 0.3048  \navailable -0.09518 0.04800 -1.983 0.0474 *\nhp 0.12170 0.06777 1.796 0.0725 .\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: 43,230 on 31 degrees of freedom\nResidual deviance: 16,713 on 29 degrees of freedom\nAIC: 22,713\n\nNumber of Fisher Scoring iterations: 8\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Oto jak zinterpretowa\u0107 ka\u017cdy element wyniku:<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Wsp\u00f3\u0142czynniki i warto\u015bci P<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\"><strong>Oszacowanie wsp\u00f3\u0142czynnika<\/strong> w wyniku wskazuje \u015bredni\u0105 zmian\u0119 logarytmu wiarygodno\u015bci zmiennej odpowiedzi zwi\u0105zan\u0105 ze wzrostem o jedn\u0105 jednostk\u0119 ka\u017cdej zmiennej predykcyjnej.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Przyk\u0142adowo wzrost o jedn\u0105 jednostk\u0119 zmiennej predykcyjnej disp jest powi\u0105zany ze \u015bredni\u0105 zmian\u0105 logarytmiczn\u0105 prawdopodobie\u0144stwa, \u017ce zmienna odpowiedzi przyjmie warto\u015b\u0107 1 o -0,09518. Oznacza to, \u017ce wy\u017csze warto\u015bci disp wi\u0105\u017c\u0105 si\u0119 z mniejszym prawdopodobie\u0144stwem . zmiennej przyjmuj\u0119 warto\u015b\u0107 1.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>B\u0142\u0105d standardowy<\/strong> daje nam wyobra\u017cenie o zmienno\u015bci zwi\u0105zanej z oszacowaniem wsp\u00f3\u0142czynnika. Nast\u0119pnie dzielimy oszacowanie wsp\u00f3\u0142czynnika przez b\u0142\u0105d standardowy, aby otrzyma\u0107 warto\u015b\u0107 az.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Na przyk\u0142ad <strong>warto\u015b\u0107 z<\/strong> zmiennej predykcyjnej disp jest obliczana jako -.09518 \/ .048 = -1,983.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Warto\u015b\u0107 p<\/strong> Pr(&gt;|z|) informuje nas o prawdopodobie\u0144stwie zwi\u0105zanym z konkretn\u0105 warto\u015bci\u0105 z. Zasadniczo m\u00f3wi nam to, jak dobrze ka\u017cda zmienna predykcyjna jest w stanie przewidzie\u0107 warto\u015b\u0107 zmiennej odpowiedzi w modelu.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Na przyk\u0142ad warto\u015b\u0107 p powi\u0105zana z warto\u015bci\u0105 z zmiennej disp wynosi 0,0474. Poniewa\u017c warto\u015b\u0107 ta jest mniejsza ni\u017c 0,05, powiedzieliby\u015bmy, \u017ce disp jest statystycznie istotn\u0105 zmienn\u0105 predykcyjn\u0105 w modelu.<\/span><\/p>\n<p> <span style=\"color: #000000;\">W zale\u017cno\u015bci od preferencji mo\u017cesz zdecydowa\u0107 si\u0119 na u\u017cycie poziomu istotno\u015bci 0,01, 0,05 lub 0,10 w celu ustalenia, czy ka\u017cda zmienna predykcyjna jest istotna statystycznie.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Odchylenie zerowe i resztkowe<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\"><strong>Zerowa odchy\u0142ka<\/strong> na wyj\u015bciu m\u00f3wi nam, jak dobrze zmienn\u0105 odpowiedzi mo\u017cna przewidzie\u0107 za pomoc\u0105 modelu zawieraj\u0105cego tylko oryginalny sk\u0142adnik.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Odchylenie resztkowe<\/strong> m\u00f3wi nam, jak dobrze zmienn\u0105 odpowiedzi mo\u017cna przewidzie\u0107 za pomoc\u0105 konkretnego modelu, do kt\u00f3rego dopasowujemy <em>p<\/em> zmiennych predykcyjnych. Im ni\u017csza warto\u015b\u0107, tym lepiej model jest w stanie przewidzie\u0107 warto\u015b\u0107 zmiennej odpowiedzi.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Aby okre\u015bli\u0107, czy model jest \u201eprzydatny\u201d, mo\u017cemy obliczy\u0107 statystyk\u0119 Chi-kwadrat w nast\u0119puj\u0105cy spos\u00f3b:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>X <sup>2<\/sup><\/strong> = Odchylenie zerowe \u2013 Odchylenie resztkowe<\/span><\/p>\n<p> <span style=\"color: #000000;\">z <em>p<\/em> stopniami swobody.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Nast\u0119pnie mo\u017cemy znale\u017a\u0107 warto\u015b\u0107 p powi\u0105zan\u0105 z t\u0105 statystyk\u0105 chi-kwadrat. Im ni\u017csza warto\u015b\u0107 p, tym lepiej model jest w stanie dopasowa\u0107 zbi\u00f3r danych w por\u00f3wnaniu z modelem zawieraj\u0105cym tylko oryginalny termin.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Na przyk\u0142ad w naszym modelu regresji mo\u017cemy zaobserwowa\u0107 na wyj\u015bciu nast\u0119puj\u0105ce warto\u015bci dla odchylenia zerowego i resztkowego:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>Odchylenie zerowe<\/strong> : 43,23 przy df = 31<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>Odchylenie resztkowe<\/strong> : 16,713 przy df = 29<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Mo\u017cemy u\u017cy\u0107 tych warto\u015bci do obliczenia statystyki X <sup>2<\/sup> modelu:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">X <sup>2<\/sup> = Odchylenie zerowe \u2013 Odchylenie resztkowe<\/span><\/li>\n<li> <span style=\"color: #000000;\"><sup>X2<\/sup> = 43,23 \u2013 16,713<\/span><\/li>\n<li> <span style=\"color: #000000;\"><sup>X2<\/sup> = 26517<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Istnieje <em>p<\/em> = 2 stopnie swobody zmiennych predykcyjnych.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Mo\u017cemy u\u017cy\u0107 <a href=\"https:\/\/statorials.org\/pl\/kalkulator-wartosci-chi-kwadrat-p\/\" target=\"_blank\" rel=\"noopener\">kalkulatora warto\u015bci chi-kwadrat na P,<\/a> aby stwierdzi\u0107, \u017ce warto\u015b\u0107 X <sup>2<\/sup> wynosz\u0105ca 26,517 z 2 stopniami swobody ma warto\u015b\u0107 p wynosz\u0105c\u0105 0,000002.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Poniewa\u017c ta warto\u015b\u0107 p jest znacznie ni\u017csza ni\u017c 0,05, mo\u017cna stwierdzi\u0107, \u017ce model jest bardzo przydatny.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>AIC<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Kryterium informacyjne Akaike ( <strong>AIC<\/strong> ) jest miar\u0105 stosowan\u0105 do por\u00f3wnywania dopasowania r\u00f3\u017cnych modeli regresji. Im ni\u017csza warto\u015b\u0107, tym lepiej model regresji jest w stanie dopasowa\u0107 dane.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Oblicza si\u0119 go w nast\u0119puj\u0105cy spos\u00f3b:<\/span><\/p>\n<p> <span style=\"color: #000000;\">AIC = 2K \u2013 2 <em>ln<\/em> (L)<\/span><\/p>\n<p> <span style=\"color: #000000;\">Z\u0142oto:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>K:<\/strong> Liczba parametr\u00f3w modelu.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong><em>ln<\/em> (L)<\/strong> : Logarytm wiarygodno\u015bci modelu. To m\u00f3wi nam, jak prawdopodobne jest, \u017ce model opiera si\u0119 na danych.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Rzeczywista warto\u015b\u0107 AIC jest bez znaczenia.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Je\u015bli jednak dopasujesz wiele modeli regresji, mo\u017cesz por\u00f3wna\u0107 warto\u015b\u0107 AIC ka\u017cdego modelu. Model z najni\u017cszym AIC zapewnia najlepsze dopasowanie.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Powi\u0105zane:<\/strong><\/span> <a href=\"https:\/\/statorials.org\/pl\" target=\"_blank\" rel=\"noopener\">Co uwa\u017ca si\u0119 za dobr\u0105 warto\u015b\u0107 AIC?<\/a><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Dodatkowe zasoby<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Poni\u017csze tutoriale dostarczaj\u0105 dodatkowych informacji na temat u\u017cywania funkcji <strong>glm()<\/strong> w R:<\/span><\/p>\n<p> <a href=\"https:\/\/statorials.org\/pl\/glm-vs-lm-w-r\/\" target=\"_blank\" rel=\"noopener\">R\u00f3\u017cnica mi\u0119dzy glm i lm w R<\/a><br \/> <a href=\"https:\/\/statorials.org\/pl\/r-glm-przewidziec\/\" target=\"_blank\" rel=\"noopener\">Jak korzysta\u0107 z funkcji przewidywania z glm w R<\/a><\/p>\n<p> <span style=\"color: #000000;\">Poni\u017csze samouczki wyja\u015bniaj\u0105, jak radzi\u0107 sobie z typowymi b\u0142\u0119dami podczas korzystania z funkcji <strong>glm()<\/strong> :<\/span><\/p>\n<p> <a href=\"https:\/\/statorials.org\/pl\/algorytm-dopasowania-glm-nie-by\u0142-zbiezny\/\" target=\"_blank\" rel=\"noopener\">Jak obs\u0142ugiwa\u0107 R Ostrze\u017cenie: glm.fit: algorytm nie jest zbie\u017cny<\/a><br \/> <a href=\"https:\/\/statorials.org\/pl\/wystapi\u0142y-dopasowane-prawdopodobienstwa-glm,-numerycznie-0-lub-1\/\" target=\"_blank\" rel=\"noopener\">Jak sobie radzi\u0107 z: glm.fit: wyst\u0105pi\u0142o prawdopodobie\u0144stwo skorygowane numerycznie 0 lub 1<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Funkcji glm() w R mo\u017cna u\u017cy\u0107 do dopasowania uog\u00f3lnionych modeli liniowych. Ta funkcja wykorzystuje nast\u0119puj\u0105c\u0105 sk\u0142adni\u0119: glm(formu\u0142a, rodzina=Gaussian, dane, \u2026) Z\u0142oto: formu\u0142a: Formu\u0142a modelu liniowego (np. y ~ x1 + x2) rodzina: rodzina statystyczna, kt\u00f3rej nale\u017cy u\u017cy\u0107 w celu dopasowania modelu. Warto\u015b\u0107 domy\u015blna to Gaussian, ale inne opcje obejmuj\u0105 mi\u0119dzy innymi Dwumian, Gamma i Poissona. [&hellip;]<\/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-2428","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Jak interpretowa\u0107 wyj\u015bcie glm w R (z przyk\u0142adem) - Statorials<\/title>\n<meta name=\"description\" content=\"W tym samouczku wyja\u015bniono, jak interpretowa\u0107 dane wyj\u015bciowe glm w R, \u0142\u0105cznie z pe\u0142nym przyk\u0142adem.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/pl\/zinterpretuj-wyjscie-glm-w-r\/\" \/>\n<meta property=\"og:locale\" content=\"pl_PL\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Jak interpretowa\u0107 wyj\u015bcie glm w R (z przyk\u0142adem) - Statorials\" \/>\n<meta property=\"og:description\" content=\"W tym samouczku wyja\u015bniono, jak interpretowa\u0107 dane wyj\u015bciowe glm w R, \u0142\u0105cznie z pe\u0142nym przyk\u0142adem.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/pl\/zinterpretuj-wyjscie-glm-w-r\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-22T07:47:44+00:00\" \/>\n<meta name=\"author\" content=\"Benjamin Anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Napisane przez\" \/>\n\t<meta name=\"twitter:data1\" content=\"Benjamin Anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Szacowany czas czytania\" \/>\n\t<meta name=\"twitter:data2\" content=\"5 minut\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/pl\/zinterpretuj-wyjscie-glm-w-r\/\",\"url\":\"https:\/\/statorials.org\/pl\/zinterpretuj-wyjscie-glm-w-r\/\",\"name\":\"Jak interpretowa\u0107 wyj\u015bcie glm w R (z przyk\u0142adem) - Statorials\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/pl\/#website\"},\"datePublished\":\"2023-07-22T07:47:44+00:00\",\"dateModified\":\"2023-07-22T07:47:44+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/pl\/#\/schema\/person\/6484727a4612df3e69f016c3129c6965\"},\"description\":\"W tym samouczku wyja\u015bniono, jak interpretowa\u0107 dane wyj\u015bciowe glm w R, \u0142\u0105cznie z pe\u0142nym przyk\u0142adem.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/pl\/zinterpretuj-wyjscie-glm-w-r\/#breadcrumb\"},\"inLanguage\":\"pl-PL\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/pl\/zinterpretuj-wyjscie-glm-w-r\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/pl\/zinterpretuj-wyjscie-glm-w-r\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Dom\",\"item\":\"https:\/\/statorials.org\/pl\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Jak interpretowa\u0107 wynik glm w r (z przyk\u0142adem)\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/pl\/#website\",\"url\":\"https:\/\/statorials.org\/pl\/\",\"name\":\"Statorials\",\"description\":\"Tw\u00f3j przewodnik po kompetencjach statystycznych!\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/pl\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"pl-PL\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/pl\/#\/schema\/person\/6484727a4612df3e69f016c3129c6965\",\"name\":\"Benjamin Anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"pl-PL\",\"@id\":\"https:\/\/statorials.org\/pl\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/statorials.org\/pl\/wp-content\/uploads\/2023\/11\/Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"https:\/\/statorials.org\/pl\/wp-content\/uploads\/2023\/11\/Benjamin-Anderson-96x96.jpg\",\"caption\":\"Benjamin Anderson\"},\"description\":\"Cze\u015b\u0107, jestem Benjamin i jestem emerytowanym profesorem statystyki, kt\u00f3ry zosta\u0142 oddanym nauczycielem Statorials. Dzi\u0119ki bogatemu do\u015bwiadczeniu i wiedzy specjalistycznej w dziedzinie statystyki ch\u0119tnie dziel\u0119 si\u0119 swoj\u0105 wiedz\u0105, aby wzmocni\u0107 pozycj\u0119 uczni\u00f3w za po\u015brednictwem Statorials. Wiedzie\u0107 wi\u0119cej\",\"sameAs\":[\"https:\/\/statorials.org\/pl\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Jak interpretowa\u0107 wyj\u015bcie glm w R (z przyk\u0142adem) - Statorials","description":"W tym samouczku wyja\u015bniono, jak interpretowa\u0107 dane wyj\u015bciowe glm w R, \u0142\u0105cznie z pe\u0142nym przyk\u0142adem.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/pl\/zinterpretuj-wyjscie-glm-w-r\/","og_locale":"pl_PL","og_type":"article","og_title":"Jak interpretowa\u0107 wyj\u015bcie glm w R (z przyk\u0142adem) - Statorials","og_description":"W tym samouczku wyja\u015bniono, jak interpretowa\u0107 dane wyj\u015bciowe glm w R, \u0142\u0105cznie z pe\u0142nym przyk\u0142adem.","og_url":"https:\/\/statorials.org\/pl\/zinterpretuj-wyjscie-glm-w-r\/","og_site_name":"Statorials","article_published_time":"2023-07-22T07:47:44+00:00","author":"Benjamin Anderson","twitter_card":"summary_large_image","twitter_misc":{"Napisane przez":"Benjamin Anderson","Szacowany czas czytania":"5 minut"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/pl\/zinterpretuj-wyjscie-glm-w-r\/","url":"https:\/\/statorials.org\/pl\/zinterpretuj-wyjscie-glm-w-r\/","name":"Jak interpretowa\u0107 wyj\u015bcie glm w R (z przyk\u0142adem) - Statorials","isPartOf":{"@id":"https:\/\/statorials.org\/pl\/#website"},"datePublished":"2023-07-22T07:47:44+00:00","dateModified":"2023-07-22T07:47:44+00:00","author":{"@id":"https:\/\/statorials.org\/pl\/#\/schema\/person\/6484727a4612df3e69f016c3129c6965"},"description":"W tym samouczku wyja\u015bniono, jak interpretowa\u0107 dane wyj\u015bciowe glm w R, \u0142\u0105cznie z pe\u0142nym przyk\u0142adem.","breadcrumb":{"@id":"https:\/\/statorials.org\/pl\/zinterpretuj-wyjscie-glm-w-r\/#breadcrumb"},"inLanguage":"pl-PL","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/pl\/zinterpretuj-wyjscie-glm-w-r\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/pl\/zinterpretuj-wyjscie-glm-w-r\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Dom","item":"https:\/\/statorials.org\/pl\/"},{"@type":"ListItem","position":2,"name":"Jak interpretowa\u0107 wynik glm w r (z przyk\u0142adem)"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/pl\/#website","url":"https:\/\/statorials.org\/pl\/","name":"Statorials","description":"Tw\u00f3j przewodnik po kompetencjach statystycznych!","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/pl\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"pl-PL"},{"@type":"Person","@id":"https:\/\/statorials.org\/pl\/#\/schema\/person\/6484727a4612df3e69f016c3129c6965","name":"Benjamin Anderson","image":{"@type":"ImageObject","inLanguage":"pl-PL","@id":"https:\/\/statorials.org\/pl\/#\/schema\/person\/image\/","url":"https:\/\/statorials.org\/pl\/wp-content\/uploads\/2023\/11\/Benjamin-Anderson-96x96.jpg","contentUrl":"https:\/\/statorials.org\/pl\/wp-content\/uploads\/2023\/11\/Benjamin-Anderson-96x96.jpg","caption":"Benjamin Anderson"},"description":"Cze\u015b\u0107, jestem Benjamin i jestem emerytowanym profesorem statystyki, kt\u00f3ry zosta\u0142 oddanym nauczycielem Statorials. Dzi\u0119ki bogatemu do\u015bwiadczeniu i wiedzy specjalistycznej w dziedzinie statystyki ch\u0119tnie dziel\u0119 si\u0119 swoj\u0105 wiedz\u0105, aby wzmocni\u0107 pozycj\u0119 uczni\u00f3w za po\u015brednictwem Statorials. Wiedzie\u0107 wi\u0119cej","sameAs":["https:\/\/statorials.org\/pl"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/posts\/2428","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/comments?post=2428"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/posts\/2428\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/media?parent=2428"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/categories?post=2428"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/tags?post=2428"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}