Home/Modèle linéaire dans r

Modèle linéaire dans r

Nous adapons un modèle à nos données. C`est super! Mais la question importante est, est-il bon? # Tous les sous-ensembles de la bibliothèque de régression (sauts) attacher (mydata) sauts <-regsubsets (y ~ x1 + x2 + x3 + x4, Data = mydata, nbest = 10) # Voir le résumé des résultats (sauts) # tracer un tableau de modèles montrant des variables dans chaque modèle. # les modèles sont classés par la statistique de sélection. tracer (sauts, Echelle = "R2") # tracer la statistique par sous-ensemble de la bibliothèque de taille (car) sous-ensembles (LEAPS, statistique = "rsq") essayons de passer par ces motions pour le modèle de régression multiple. Wilkinson, G. N. et Rogers, C. E. (1973). Descriptions symboliques des modèles factoriels pour l`analyse de la variance.

Statistiques appliquées, 22, 392–399. 10.2307/2346786. La fonction LM a vraiment juste besoin d`une formule (Y ~ X), puis d`une source de données. Nous utiliserons Sales ~ dépensent, Data = DataSet et nous appellerons le modèle linéaire résultant “fit”. Dans R, vous extrayez les valeurs résiduelles en référençant le modèle, puis la variable RESID à l`intérieur du modèle. En utilisant le modèle de régression linéaire simple (simple. fit), nous allons tracer quelques graphiques pour aider à illustrer tous les problèmes avec le modèle. # Régression linéaire multiple exemple d`ajustement <-LM (y ~ x1 + x2 + x3, Data = mydata) résumé (ajustement) # afficher les résultats vous pouvez comparer des modèles imbriqués à la fonction ANOVA (). Le code suivant fournit un test simultané que x3 et x4 ajoutent à la prédiction linéaire au-dessus et au-delà de x1 et x2. Le fait que R possède de puissantes routines de manipulation matricielle signifie qu`on peut faire beaucoup de ces calculs à partir des premiers principes. Les deux prochaines lignes créent une matrice de modèle pour représenter la constante, le réglage et l`effort, puis calculent l`estimation des OLS des coefficients comme (X`X)-1X`y: l`idée ici est que la somme des résidus est approximativement nulle ou aussi basse que possible. Dans la vie réelle, la plupart des cas ne suivra pas une ligne parfaitement droite, de sorte que les résidus sont attendus.

Dans le Résumé R de la fonction LM, vous pouvez voir des statistiques descriptives sur les résidus du modèle, en suivant le même exemple, le carré rouge montre comment les valeurs résiduelles sont approximativement nulles. LM est utilisé pour s`adapter aux modèles linéaires. Il peut être utilisé pour effectuer une régression, une analyse de la strate unique de la variance et l`analyse de la covariance (bien que AOV peut fournir une interface plus commode pour ces). Tu l`as fait jusqu`à la fin! La régression linéaire est un sujet important, et il est là pour rester. Ici, j`ai présenté quelques astuces qui peuvent aider à accorder et de prendre le plus d`avantage d`un tel algorithme puissant, mais si simple.

By | 2019-02-15T23:00:33+00:00 febbraio 15th, 2019|Senza categoria|0 Comments