Doğrusal modelleri sığdırmak için r'de lm() işlevi nasıl kullanılır?

R’deki lm() işlevi doğrusal regresyon modellerine uymak için kullanılır.

Bu işlev aşağıdaki temel sözdizimini kullanır:

lm(formül, veri, …)

Altın:

• formül: Doğrusal model formülü (örneğin y ~ x1 + x2)
• data: Verileri içeren veri bloğunun adı

Aşağıdaki örnek, aşağıdakileri yapmak için bu işlevin R’de nasıl kullanılacağını gösterir:

• Bir regresyon modelini sığdır
• Regresyon modeli uyum özetini görüntüleyin
• Model tanılama grafiklerini görüntüleyin
• Uygun regresyon modelini çizin
• Regresyon modelini kullanarak tahminlerde bulunun

Regresyon modelini sığdır

Aşağıdaki kod, R’de doğrusal bir regresyon modeline uyum sağlamak için lm() işlevinin nasıl kullanılacağını gösterir:

 #define data
df = data. frame (x=c(1, 3, 3, 4, 5, 5, 6, 8, 9, 12),
                y=c(12, 14, 14, 13, 17, 19, 22, 26, 24, 22))

#fit linear regression model using 'x' as predictor and 'y' as response variable
model <- lm(y ~ x, data=df)

Regresyon modeli özetini göster

Daha sonra regresyon modeli uyumunun özetini görüntülemek için Summary() fonksiyonunu kullanabiliriz:

 #view summary of regression model
summary(model)

Call:
lm(formula = y ~ x, data = df)

Residuals:
    Min 1Q Median 3Q Max 
-4.4793 -0.9772 -0.4772 1.4388 4.6328 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 11.1432 1.9104 5.833 0.00039 ***
x 1.2780 0.2984 4.284 0.00267 ** 
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 2.929 on 8 degrees of freedom
Multiple R-squared: 0.6964, Adjusted R-squared: 0.6584 
F-statistic: 18.35 on 1 and 8 DF, p-value: 0.002675

Modeldeki en önemli değerleri şu şekilde yorumlayabilirsiniz:

• F istatistiği = 18,35, karşılık gelen p değeri = 0,002675. Bu p değeri 0,05’ten küçük olduğundan model bir bütün olarak istatistiksel olarak anlamlıdır.
• Çoklu R kare = 0,6964. Bu bize yanıt değişkeni y’deki varyasyonun %69,64’ünün yordayıcı değişken x tarafından açıklanabileceğini söylüyor.
• Tahmini x katsayısı : 1,2780. Bu bize x’teki her ilave birim artışın, y’deki ortalama 1,2780’lik bir artışla ilişkili olduğunu söyler.

Daha sonra tahmin edilen regresyon denklemini yazmak için çıktıdaki katsayı tahminlerini kullanabiliriz:

y = 11,1432 + 1,2780*(x)

Bonus : Burada R’deki regresyon çıktısının her değerini yorumlamaya yönelik eksiksiz bir kılavuz bulabilirsiniz.

Model tanılama grafiklerini görüntüleyin

Daha sonra regresyon modelinin tanısal grafiklerini çizmek içinplot () fonksiyonunu kullanabiliriz:

 #create diagnostic plots
plot(model) 

Bu grafikler, modelin veriler için kullanılmaya uygun olup olmadığını belirlemek için regresyon modelinin artıklarını analiz etmemize olanak tanır.

R’de bir modelin tanılama grafiklerinin nasıl yorumlanacağına ilişkin eksiksiz bir açıklama için bu eğitime bakın.

Uygun regresyon modelini çizin

Uygun regresyon modelini çizmek için abline() fonksiyonunu kullanabiliriz:

 #create scatterplot of raw data
plot(df$x, df$y, col=' red ', main=' Summary of Regression Model ', xlab=' x ', ylab=' y ')

#add fitted regression line
abline(model)

Tahminlerde bulunmak için regresyon modelini kullanın

Yeni bir gözlemin yanıt değerini tahmin etmek için tahmin() işlevini kullanabiliriz:

 #define new observation
new <- data. frame (x=c(5))

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

      1 
17.5332

Model, bu yeni gözlemin 17,5332 yanıt değerine sahip olacağını öngörüyor.

Ek kaynaklar

R’de basit doğrusal regresyon nasıl gerçekleştirilir
R’de çoklu doğrusal regresyon nasıl gerçekleştirilir
R’de adım adım regresyon nasıl gerçekleştirilir?