el análisis de Regresión es una muy ampliamente utilizado herramienta estadística para establecer un modelo de relación entre dos variables. Una de estas variables se llama variable predictora cuyo valor se recoge a través de experimentos. La otra variable se llama variable de respuesta cuyo valor se deriva de la variable predictora.,

en regresión lineal estas dos variables se relacionan a través de una ecuación, donde el exponente (potencia) de ambas variables es 1. Matemáticamente una relación lineal representa una línea recta cuando se representa como un gráfico. Una relación no lineal donde el exponente de cualquier variable no es igual a 1 Crea una curva.

la ecuación matemática general para una regresión lineal es −

y = ax + b

a continuación se describe la descripción de los parámetros utilizados −

• y es la variable de respuesta.

• x es la variable predictora.,

• a y b son constantes que se llaman los coeficientes.

pasos para establecer una regresión

Un ejemplo simple de regresión es predecir el peso de una persona cuando se conoce su altura. Para ello necesitamos tener la relación entre la altura y el peso de una persona.

los pasos para crear la relación son −

• realizar el experimento de recoger una muestra de valores observados de altura y peso correspondiente.

• crear un modelo de relación usando las funciones lm () en R.,

• Encuentre los coeficientes del modelo creado y cree la ecuación matemática usando estos

• obtenga un resumen del modelo de relación para conocer el error promedio en la predicción. También se llama residuos.

• para predecir el peso de nuevas personas, use la función predict() en R.

datos de entrada

a continuación se muestran los datos de muestra que representan las observaciones −

# 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

función lm ()

Esta función crea el modelo de relación entre el predictor y la variable de respuesta.,

Syntax

la sintaxis básica para la función lm () en regresión lineal es −

lm(formula,data)

a continuación se describe la descripción de los parámetros utilizados −

• formula es un símbolo que presenta la relación entre x e Y.

• data es el vector sobre el que se aplicará la fórmula.,elationship Model & get the Coefficients

  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)

  When we execute the above code, it produces the following result −

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

  Get the Summary of the Relationship

  When we execute the above code, it produce el siguiente resultado −

  predict() function

  syntax

  la sintaxis básica para predict() en regresión lineal es −

  predict(object, newdata)

  lo siguiente es la descripción de los parámetros utilizados −

  • Object es la fórmula que ya se ha creado usando la función LM ().,

  • newdata es el vector que contiene el nuevo valor para la variable predictor.

  Predecir el peso de nuevas personas

  Cuando se ejecuta el código anterior, se produce el siguiente resultado:

   1 76.22869 

  Visualizar la Regresión de la forma Gráfica

  Cuando se ejecuta el código anterior, se produce el siguiente resultado:

  

  Anuncios