{"id":2945,"date":"2023-07-19T23:21:19","date_gmt":"2023-07-19T23:21:19","guid":{"rendered":"https:\/\/statorials.org\/pl\/przewidziec-regresje-wielokrotna-w-r\/"},"modified":"2023-07-19T23:21:19","modified_gmt":"2023-07-19T23:21:19","slug":"przewidziec-regresje-wielokrotna-w-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/pl\/przewidziec-regresje-wielokrotna-w-r\/","title":{"rendered":"Jak przewidzie\u0107 warto\u015bci w r za pomoc\u0105 modelu regresji wielokrotnej"},"content":{"rendered":"

<\/p>\n

\n

Do przewidywania warto\u015bci w R przy u\u017cyciu dopasowanego modelu regresji liniowej mo\u017cna zastosowa\u0107 nast\u0119puj\u0105c\u0105 podstawow\u0105 sk\u0142adni\u0119:<\/span><\/span><\/p>\n

 #define new observation\n<\/span>new <- data. frame<\/span> (x1=c(5), x2=c(10), x3=c(12.5))\n\n#use fitted model to predict the response value for the new observation\n<\/span>predict(model, newdata=new)<\/strong><\/pre>\n
 Poni\u017cszy przyk\u0142ad pokazuje, jak w praktyce wykorzysta\u0107 t\u0119 funkcj\u0119.<\/span><\/p>\n
 Przyk\u0142ad: Przewidywanie warto\u015bci przy u\u017cyciu dopasowanego modelu regresji liniowej<\/strong><\/span><\/h3>\n
 Za\u0142\u00f3\u017cmy, \u017ce mamy nast\u0119puj\u0105cy zbi\u00f3r danych w R, kt\u00f3ry zawiera informacje o koszykarzach:<\/span><\/p>\n
 #create data frame\n<\/span>df <- data. frame<\/span> (rating=c(67, 75, 79, 85, 90, 96, 97),\n                 points=c(8, 12, 16, 15, 22, 28, 24),\n                 assists=c(4, 6, 6, 5, 3, 8, 7),\n                 rebounds=c(1, 4, 3, 3, 2, 6, 7))\n\n#view data frame\n<\/span>df\n\n  rating points assists rebounds\n1 67 8 4 1\n2 75 12 6 4\n3 79 16 6 3\n4 85 15 5 3\n5 90 22 3 2\n6 96 28 8 6\n7 97 24 7 7\n<\/strong><\/pre>\n
 Za\u0142\u00f3\u017cmy teraz, \u017ce dopasowujemy model regresji liniowej wykorzystuj\u0105c punkty<\/strong> , asysty<\/strong> i zbi\u00f3rki<\/strong> jako zmienne predykcyjne oraz ocen\u0119<\/strong> jakozmienn\u0105 odpowiedzi<\/a> :<\/span><\/p>\n
 #fit multiple linear regression model\n<\/span>model <- lm(rating ~ points + assists + rebounds, data=df)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nlm(formula = rating ~ points + assists + rebounds, data = df)\n\nResiduals:\n      1 2 3 4 5 6 7 \n-1.5902 -1.7181 0.2413 4.8597 -1.0201 -0.6082 -0.1644 \n\nCoefficients:\n            Estimate Std. Error t value Pr(>|t|)   \n(Intercept) 66.4355 6.6932 9.926 0.00218 **\npoints 1.2152 0.2788 4.359 0.02232 * \nassists -2.5968 1.6263 -1.597 0.20860   \nrebounds 2.8202 1.6118 1.750 0.17847   \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.193 on 3 degrees of freedom\nMultiple R-squared: 0.9589, Adjusted R-squared: 0.9179 \nF-statistic: 23.35 on 3 and 3 DF, p-value: 0.01396\n<\/strong><\/pre>\n
 Z warto\u015bci w kolumnie Oszacowanie<\/strong> mo\u017cemy napisa\u0107 dopasowany model regresji:<\/span><\/p>\n
 Wynik = 66,4355 + 1,2151 (punkt\u00f3w) \u2013 2,5968 (asysty) + 2,8202 (zbi\u00f3rki)<\/span><\/p>\n
 Mo\u017cemy u\u017cy\u0107 poni\u017cszego kodu, aby przewidzie\u0107 ocen\u0119 nowego zawodnika, kt\u00f3ry zdob\u0119dzie 20 punkt\u00f3w, 5 asyst i 2 zbi\u00f3rki:<\/span><\/p>\n
 #define new player\n<\/span>new <- data. frame<\/span> (points=c(20), assists=c(5), rebounds=c(2))\n\n#use the fitted model to predict the rating for the new player\n<\/span>predict(model, newdata=new)\n\n       1 \n83.39607 \n<\/strong><\/pre>\n
 Model przewiduje, \u017ce nowy gracz b\u0119dzie mia\u0142 rating na poziomie 83,39607<\/strong> .<\/span><\/p>\n
 Mo\u017cemy potwierdzi\u0107, \u017ce jest to poprawne, wstawiaj\u0105c warto\u015bci nowego gracza do dopasowanego r\u00f3wnania regresji:<\/span><\/p>\n