Comment prédire les valeurs dans R à l’aide d’un modèle de régression multiple

Vous pouvez utiliser la syntaxe de base suivante pour prédire les valeurs dans R à l’aide d’un modèle de régression linéaire multiple ajusté :

#define new observation
new <- data.frame(x1=c(5), x2=c(10), x3=c(12.5))

#use fitted model to predict the response value for the new observation
predict(model, newdata=new)

L’exemple suivant montre comment utiliser cette fonction dans la pratique.

Exemple : prédire les valeurs à l’aide d’un modèle de régression linéaire multiple ajusté

Supposons que nous ayons l’ensemble de données suivant dans R qui contient des informations sur les joueurs de basket-ball :

#create data frame
df <- data.frame(rating=c(67, 75, 79, 85, 90, 96, 97),
                 points=c(8, 12, 16, 15, 22, 28, 24),
                 assists=c(4, 6, 6, 5, 3, 8, 7),
                 rebounds=c(1, 4, 3, 3, 2, 6, 7))

#view data frame
df

  rating points assists rebounds
1     67      8       4        1
2     75     12       6        4
3     79     16       6        3
4     85     15       5        3
5     90     22       3        2
6     96     28       8        6
7     97     24       7        7

Supposons maintenant que nous ajustions un modèle de régression linéaire multiple en utilisant les points , les assistances et les rebonds comme variables prédictives et la note comme variable de réponse :

#fit multiple linear regression model
model <- lm(rating ~ points + assists + rebounds, data=df)

#view model summary
summary(model)

Call:
lm(formula = rating ~ points + assists + rebounds, data = df)

Residuals:
      1       2       3       4       5       6       7 
-1.5902 -1.7181  0.2413  4.8597 -1.0201 -0.6082 -0.1644 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)   
(Intercept)  66.4355     6.6932   9.926  0.00218 **
points        1.2152     0.2788   4.359  0.02232 * 
assists      -2.5968     1.6263  -1.597  0.20860   
rebounds      2.8202     1.6118   1.750  0.17847   
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 3.193 on 3 degrees of freedom
Multiple R-squared:  0.9589,	Adjusted R-squared:  0.9179 
F-statistic: 23.35 on 3 and 3 DF,  p-value: 0.01396

À partir des valeurs de la colonne Estimation , nous pouvons écrire le modèle de régression ajusté :

Note = 66,4355 + 1,2151 (points) – 2,5968 (passes) + 2,8202 (rebonds)

Nous pouvons utiliser le code suivant pour prédire la note d’un nouveau joueur qui compte 20 points, 5 passes décisives et 2 rebonds :

#define new player
new <- data.frame(points=c(20), assists=c(5), rebounds=c(2))

#use the fitted model to predict the rating for the new player
predict(model, newdata=new)

       1 
83.39607 

Le modèle prédit que ce nouveau joueur aura une note de 83,39607 .

Nous pouvons confirmer que cela est correct en insérant les valeurs du nouveau joueur dans l’équation de régression ajustée :

• Note = 66,4355 + 1,2151 (points) – 2,5968 (passes) + 2,8202 (rebonds)
• Notation = 66,4355 + 1,2151(20) – 2,5968(5) + 2,8202(2)
• Note = 83,39

Cela correspond à la valeur que nous avons calculée à l’aide de la fonction prédire() dans R.

Ressources additionnelles

Les didacticiels suivants expliquent comment effectuer d’autres tâches courantes dans R :

Comment effectuer une régression linéaire simple dans R
Comment effectuer une régression linéaire multiple dans R
Comment créer un tracé résiduel dans R