Inhoudsopgave:
- Een lineair model bouwen
- In plaats van in het modelobject zelf te duiken en de informatie ergens in het lijstobject te vinden, kunt u enkele functies gebruiken die u helpen de benodigde informatie te krijgen van het model. U kunt bijvoorbeeld een benoemde vector met de coëfficiënten uit het model extraheren met behulp van de functie coef (), zoals deze: >> coef. Model coef. Model (onderschepping) wt 37. 285126 -5. 344472
Video: Excel || Vergelijken van twee lijsten in Excel 2025
Een variantieanalyse voor uw gegevens kan ook worden geschreven als een lineair model in R, waarbij u een factor als een voorspellende variabele gebruikt om een responsvariabele te modelleren.
Natuurlijk kunnen voorspellingsvariabelen ook continue variabelen zijn. Het gewicht van een auto heeft bijvoorbeeld duidelijk invloed op de kilometerstand. Maar het zou leuk zijn om een idee te hebben over de omvang van die invloed. In essentie wilt u de vergelijking vinden die de trendlijn vertegenwoordigt. U vindt de gegevens die u nodig hebt om dit te controleren in de dataset mtcars.
Een lineair model bouwen
Met de functie lm () kunt u alles opgeven, van het meest eenvoudige lineaire model tot complexe interactiemodellen.
Om de kilometerstand te modelleren in functie van het gewicht van een auto, gebruikt u de functie lm (), zoals deze: >> Model <- lm (mpg ~ wt, data = mtcars)
U levert twee argumenten:
-
Hier modelleert u de variabele mpg als een functie van de variabele wt. Een gegevensframe met de variabelen in de formule:
-
Hier gebruikt u de dataframe mtcars. Je kunt veel complexe modellen specificeren met de formule-interface als je de weg weet.
Het resulterende object is een lijst met een zeer complexe structuur, maar in de meeste gevallen hoeft u zich daarover geen zorgen te maken. Het modelobject bevat veel informatie die nodig is voor de berekeningen van diagnostiek en nieuwe voorspellingen.
In plaats van in het modelobject zelf te duiken en de informatie ergens in het lijstobject te vinden, kunt u enkele functies gebruiken die u helpen de benodigde informatie te krijgen van het model. U kunt bijvoorbeeld een benoemde vector met de coëfficiënten uit het model extraheren met behulp van de functie coef (), zoals deze: >> coef. Model coef. Model (onderschepping) wt 37. 285126 -5. 344472
Deze coëfficiënten vertegenwoordigen het snijpunt en de helling van de trendlijn. U kunt dit gebruiken om de trendlijn in een scatterplot van de gegevens te plotten. U doet dit in twee stappen:
U plot de scatterplot met de gegevens.
U gebruikt daarvoor de plot () -functie.
-
U gebruikt de functie abline () om de trendlijn te tekenen op basis van de coëfficiënten.
De volgende code geeft je de plot: >> plot (mpg ~ wt, data = mtcars)> abline (a = coef. Model [1], b = coef. Model [2])
-
De abline () argument a staat voor het snijpunt en b staat voor de helling van de trendlijn die u wilt plotten. U plot een verticale lijn door het argument v in te stellen op het snijpunt met de
x
-as in plaats daarvan.Horizontale lijnen worden geplot door het argument v in te stellen op het snijpunt met de
y -as. Hieronder vindt u een overzicht van functies om informatie uit het modelobject zelf te extraheren. Deze functies werken met verschillende modelobjecten, inclusief de objecten die zijn gebouwd door aov () en lm (). Veel pakketauteurs bieden ook dezelfde functies voor de modellen die door de functies in hun pakket zijn gebouwd. U kunt dus altijd proberen deze extractiefuncties te gebruiken in combinatie met andere modelfuncties. Functie
Wat het doet
coef ()
Retourneert een vector met de coëfficiënten van het model | confint () |
---|---|
Retourneert een matrix met de boven- en onderlimiet van > betrouwbaarheidsinterval voor elke coëfficiënt van het model | voorzien () |
Geeft als resultaat een vector met de gepaste waarden voor elke | waarneming
residuen () |
Geeft als resultaat een vector met de residuen voor elke waarneming < vcov () | Geeft als resultaat de variantie-covariantiematrix voor de coëfficiënt
|