l’analisi di Regressione è molto diffuso strumento statistico per stabilire un modello di relazione tra due variabili. Una di queste variabili è chiamata variabile predittiva il cui valore viene raccolto attraverso esperimenti. L’altra variabile è chiamata variabile di risposta il cui valore è derivato dalla variabile predittore.,

Nella regressione lineare queste due variabili sono correlate attraverso un’equazione, dove l’esponente (potenza) di entrambe queste variabili è 1. Matematicamente una relazione lineare rappresenta una linea retta quando tracciata come un grafico. Una relazione non lineare in cui l’esponente di qualsiasi variabile non è uguale a 1 crea una curva.

L’equazione matematica generale per una regressione lineare è −

y = ax + b

Di seguito è riportata la descrizione dei parametri utilizzati −

• y è la variabile di risposta.

• x è la variabile predittiva.,

• a e b sono costanti chiamate coefficienti.

Passi per stabilire una regressione

Un semplice esempio di regressione è predire il peso di una persona quando la sua altezza è nota. Per fare questo abbiamo bisogno di avere la relazione tra altezza e peso di una persona.

I passaggi per creare la relazione è −

• Effettuare l’esperimento di raccolta di un campione di valori osservati di altezza e peso corrispondente.

• Creare un modello di relazione utilizzando le funzioni lm () in R.,

• Trova i coefficienti dal modello creato e crea l’equazione matematica usando questi

• Ottieni un riepilogo del modello di relazione per conoscere l’errore medio nella previsione. Chiamato anche residui.

• Per predire il peso di nuove persone, l’uso di stima() funzione di R.

Dati di Input

di Seguito è il campione di dati che rappresenta le osservazioni −

# Values of height151, 174, 138, 186, 128, 136, 179, 163, 152, 131# Values of weight.63, 81, 56, 91, 47, 57, 76, 72, 62, 48

lm() Funzione

Questa funzione crea il modello di relazione tra il fattore predittivo e la variabile di risposta.,

la Sintassi

La sintassi di base per lm() nella funzione di regressione lineare è −

lm(formula,data)

di Seguito è la descrizione dei parametri utilizzati −

• la formula è un simbolo di presentare il rapporto tra x e y.

• dati è il vettore in cui la formula sarà applicata.,elationship Modello & ottenere i Coefficienti

  x <- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131)y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48)# Apply the lm() function.relation <- lm(y~x)print(relation)

  Quando si esegue il codice di cui sopra, produce il seguente risultato −

  Call:lm(formula = y ~ x)Coefficients:(Intercept) x -38.4551 0.6746 

  Scarica la Sintesi del Rapporto

  Quando si esegue il codice di cui sopra, produce il seguente risultato −

  prevedere() Funzione

  la Sintassi

  La sintassi di base per prevedere() nella regressione lineare è −

  predict(object, newdata)

  di Seguito è la descrizione dei parametri utilizzati −

  • oggetto è la formula che è già stato creato utilizzando il lm() funzione.,

  • newdata è il vettore contenente il nuovo valore per la variabile predittore.

  Predire il peso di nuove persone

  Quando si esegue il codice di cui sopra, produce il seguente risultato −

   1 76.22869 

  Visualizzare la Regressione Graficamente

  Quando si esegue il codice di cui sopra, produce il seguente risultato −

  

  Pubblicità