Personnaliser les préférences

Nous utilisons des cookies pour vous aider à naviguer efficacement et à exécuter certaines fonctions. Vous trouverez ci-dessous des informations détaillées sur tous les cookies sous chaque catégorie de consentement.

Les cookies classés comme « Nécessaires » sont stockés sur votre navigateur car ils sont essentiels pour activer les fonctionnalités de base du site.... 

Toujours actif

Necessary cookies are required to enable the basic features of this site, such as providing secure log-in or adjusting your consent preferences. These cookies do not store any personally identifiable data.

Aucun cookie à afficher.

Functional cookies help perform certain functionalities like sharing the content of the website on social media platforms, collecting feedback, and other third-party features.

Aucun cookie à afficher.

Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics such as the number of visitors, bounce rate, traffic source, etc.

Aucun cookie à afficher.

Performance cookies are used to understand and analyze the key performance indexes of the website which helps in delivering a better user experience for the visitors.

Aucun cookie à afficher.

Advertisement cookies are used to provide visitors with customized advertisements based on the pages you visited previously and to analyze the effectiveness of the ad campaigns.

Aucun cookie à afficher.

Comment calculer le R-carré ajusté en R



R-carré , souvent écrit R 2 , est la proportion de la variance de la variable de réponse qui peut être expliquée par les variables prédictives dans un modèle de régression linéaire .

La valeur du R au carré peut aller de 0 à 1. Une valeur de 0 indique que la variable de réponse ne peut pas du tout être expliquée par la variable prédictive, tandis qu’une valeur de 1 indique que la variable de réponse peut être parfaitement expliquée sans erreur par le prédicteur. variables.

Le R-carré ajusté est une version modifiée du R-carré qui s’ajuste au nombre de prédicteurs dans un modèle de régression. Il est calculé comme suit :

R 2 ajusté = 1 – [(1-R 2 )*(n-1)/(nk-1)]

où:

  • R 2 : Le R 2 du modèle
  • n : Le nombre d’observations
  • k : Le nombre de variables prédictives

Étant donné que R 2 augmente toujours à mesure que vous ajoutez des prédicteurs à un modèle, le R 2 ajusté peut servir de métrique qui vous indique l’utilité d’un modèle, ajusté en fonction du nombre de prédicteurs dans un modèle .

Ce didacticiel explique comment calculer le R 2 ajusté pour un modèle de régression dans R.

Connexes :Qu’est-ce qu’une bonne valeur R au carré ?

Exemple : Comment calculer le R-carré ajusté dans R

Nous pouvons utiliser le code suivant pour créer un modèle de régression linéaire multiple dans R à l’aide de l’ensemble de données intégré appelé mtcars :

model <- lm(hp ~ mpg + wt + drat + qsec, data=mtcars)

Et nous pouvons utiliser l’une des trois méthodes suivantes pour trouver le R-carré ajusté du modèle :

Méthode 1 : utilisez la fonction summary()

Nous pouvons visualiser à la fois le R-carré et le R-carré ajusté du modèle en utilisant simplement la fonction summary() :

summary(model)

Call:
lm(formula = hp ~ mpg + wt + drat + qsec, data = mtcars)

Residuals:
    Min      1Q  Median      3Q     Max 
-48.801 -16.007  -5.482  11.614  97.338 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  473.779    105.213   4.503 0.000116 ***
mpg           -2.877      2.381  -1.209 0.237319    
wt            26.037     13.514   1.927 0.064600 .  
drat           4.819     15.952   0.302 0.764910    
qsec         -20.751      3.993  -5.197 1.79e-05 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 32.25 on 27 degrees of freedom
Multiple R-squared:  0.8073,	Adjusted R-squared:  0.7787 
F-statistic: 28.27 on 4 and 27 DF,  p-value: 2.647e-09

Au bas de la sortie, nous pouvons voir ce qui suit :

  • R carré multiple : 0,8073
  • R au carré ajusté : 0,7787

Méthode 2 : utiliser summary(model)$adj.r.squared

Si l’on voulait simplement obtenir le R-carré ajusté du modèle, on pourrait utiliser la fonction suivante :

summary(model)$adj.r.squared

[1] 0.7787005

Méthode 3 : utiliser une fonction personnalisée

Une autre façon de trouver le R-carré ajusté du modèle consiste à écrire une fonction personnalisée :

#define function to calculate adjusted R-squared
adj_r2 <- function(x) {
   return (1 - ((1-summary(x)$r.squared)*(nobs(x)-1)/(nobs(x)-length(x$coefficients)-1)))
}

#use function to calculate adjusted R-squared of the model
adj_r2(model)

[1] 0.7787005
numeric(0)

Notez que chacune des trois méthodes partagées ici donne la même valeur pour le R au carré ajusté.

Ressources additionnelles

Comment effectuer une régression linéaire simple dans R
Comment effectuer une régression linéaire multiple dans R
Comment effectuer une régression polynomiale dans R

Ajouter un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *