Abschließende Modellevaluation

R für SAS-Anwender:innen

Melinda Higgins, PhD

Research Professor/Senior Biostatistician Emory University

Abschließende Übungen

Kursabschluss

Regressionsmodelle ausführen
- für verschiedene Prädiktoren
- für verschiedene Gruppen
Beste Modelle wählen
- Modellergebnisse speichern
- Gütemaße extrahieren und anzeigen

Zeig, was du kannst

Modelle bewerten und vergleichen
- mit grafischen Visualisierungen
Beste Zusammenhänge berichten
- zwischen Variablen
- insgesamt und nach Gruppe

Modelle vergleichen

# lm() für diffht nach bmi ausführen, Modell speichern
lmdiffhtbmi <- lm(diffht ~ bmi,
                  data = daviskeep)

# lm() für diffht nach weight ausführen, Modell speichern
lmdiffhtwt <- lm(diffht ~ weight,
                 data = daviskeep)

# summary() für jedes Modell ausführen, Ergebnisse speichern
smrylmdiffhtbmi <- summary(lmdiffhtbmi)
smrylmdiffhtwt <- summary(lmdiffhtwt)

Modelle vergleichen

# r.squared für das weight-Modell anzeigen
smrylmdiffhtwt$r.squared

# r.squared für das bmi-Modell anzeigen
smrylmdiffhtbmi$r.squared

# AICs für beide Modelle vergleichen
AIC(lmdiffhtbmi, lmdiffhtwt)


[1] 0.003281645


[1] 0.00121824

            df      AIC
lmdiffhtbmi  3 788.0816
lmdiffhtwt   3 787.7052

Modelle nach Gruppe – Männer vs. Frauen

# diffht nach weight nach sex plotten
ggplot(daviskeep,
       aes(diffht, weight)) +
  geom_point() +
  geom_smooth(method = "lm") +
  facet_wrap(vars(sex)) +
  ggtitle("Höhendifferenzen
          vorhergesagt durch weight,
          Modell-Fit nach sex")

Plot von diffht nach weight nach sex

Regression auf Teilmenge

sas proc reg where option like subset option for R lm function

Modelle für Teilmengen fitten

# lm() für diffht nach weight bei Frauen
lmdiffhtwtF <- lm(diffht ~ weight,
                  subset = (sex == "F"),
                  data = daviskeep)

# lm() für diffht nach weight bei Männern
lmdiffhtwtM <- lm(diffht ~ weight,
                  subset = (sex == "M"),
                  data = daviskeep)

# summary() für jedes Modell ausführen, Ergebnisse speichern
smrylmdiffhtwtF <- summary(lmdiffhtwtF)
smrylmdiffhtwtM <- summary(lmdiffhtwtM)

Modelle für Teilmengen fitten

# r.squared nur für Frauen-Modell
smrylmdiffhtwtF$r.squared

# r.squared nur für Männer-Modell
smrylmdiffhtwtM$r.squared


[1] 4.00807e-05


[1] 0.00804139

Zum Abschluss entwickeln wir ein paar Modelle zur Vorhersage von Abalone-Alter!

R für SAS-Anwender:innen