Как выполнить кусочную регрессию в r (шаг за шагом)

Кусочная регрессия — это метод регрессии, который мы часто используем, когда в наборе данных есть четкие «точки останова».

В следующем пошаговом примере показано, как выполнить кусочную регрессию в R.

Шаг 1. Создайте данные

Сначала давайте создадим следующий фрейм данных:

 #view DataFrame
df <- data. frame (x=c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16),
                 y=c(2, 4, 5, 6, 8, 10, 12, 13, 15, 19, 24, 28, 31, 34, 39, 44))

#view first six rows of data frame
head(df)

  xy
1 1 2
2 2 4
3 3 5
4 4 6
5 5 8
6 6 10

Шаг 2. Визуализируйте данные

Далее давайте создадим диаграмму рассеяния для визуализации данных:

 #create scatterplot of x vs. y
plot(df$x, df$y, pch= 16 , col=' steelblue ')

Мы видим, что соотношение между x и y резко меняется в районе x = 9 .

Шаг 3. Подберите модель кусочной регрессии.

Мы можем использовать функцию сегментированную() из сегментированного пакета в R, чтобы подогнать модель кусочной регрессии к нашему набору данных:

 library (segmented)

#fit simple linear regression model
fit <- lm(y ~ x, data=df)

#fit piecewise regression model to original model, estimating a breakpoint at x=9
segmented. fit <- segmented(fit, seg.Z = ~x, psi= 9 )

#view summary of segmented model
summary( segmented.fit )

Call: 
segmented.lm(obj = fit, seg.Z = ~x, psi = 9)

Estimated Break-Point(s):
         East. St.Err
psi1.x 8.762 0.26

Meaningful coefficients of the linear terms:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 0.32143 0.48343 0.665 0.519    
x 1.59524 0.09573 16.663 1.16e-09 ***
U1.x 2.40476 0.13539 17.762 NA    
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.6204 on 12 degrees of freedom
Multiple R-Squared: 0.9983, Adjusted R-squared: 0.9978 

Convergence achieved in 2 iter. (rel. changes 0)

Функция сегментированная() обнаруживает точку останова в точке x = 8,762.

Подобранная модель кусочной регрессии:

Если x ≤ 8,762: y = 0,32143 + 1,59524*(x)

Если x > 8,762: y = 0,32143 + 1,59524*(8,762) + (1,59524+2,40476)*(x-8,762)

Например, предположим, что у нас есть значение x = 5 . Ориентировочная стоимость составит:

• у = 0,32143 + 1,59524*(х)
• у = 0,32143 + 1,59524*(5)
• у = 8,297

Или предположим, что у нас есть значение x = 12 . Ориентировочная стоимость составит:

• у = 0,32143 + 1,59524*(8,762) + (1,59524+2,40476)*(12-8,762)
• у = 27,25

Шаг 4. Визуализация окончательной модели кусочной регрессии

Мы можем использовать следующий код для визуализации окончательной модели кусочной регрессии поверх наших исходных данных:

 #plot original data
plot(df$x, df$y, pch= 16 , col=' steelblue ')

#add segmented regression model
plot(segmented. fit , add= T )

Похоже, что модель кусочной регрессии достаточно хорошо соответствует данным.

Дополнительные ресурсы

Следующие руководства предоставляют дополнительную информацию о моделях регрессии в R:

Как выполнить простую линейную регрессию в R
Как выполнить множественную линейную регрессию в R
Как выполнить логистическую регрессию в R
Как выполнить квантильную регрессию в R
Как выполнить взвешенную регрессию в R