회귀의 구성 요소

R로 배우는 계층 및 혼합 효과 모형

Richard Erickson

Data Scientist

절편

$y = \beta + \epsilon$

다중 절편

$y = \beta_0 + \beta_2 x_2+ \beta_3 x_3+ \epsilon$

$y = \beta_1 x_1 + \beta_2 x_2+ \beta_3 x_3+ \epsilon$

다중 절편 그래프

R에서의 선형 모델

lm(formula, data)

lm(y ~ x, data = myData)

anova(lm(y ~ x, data = myData))

기울기가 있는 단순 선형 회귀

$y \sim \beta_0 + \beta_1 x + \epsilon$

다중 회귀

$y \sim \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \ldots + \epsilon$

다중 회귀의 주의 사항

예측 변수의 독립성
"보정된..."
심슨의 역설
선형만 가능
상호작용이 중요할 수 있음

R에서의 다중 회귀 팁

lm(y ~ x - 1): 각 x에 대한 절편 추정
수치형 대 범주형 변수
매개변수 및 기울기 스케일링
lm(y ~ x1 + x2 + x1:x2)는 lm(y ~ x1 * x2)로 쓸 수 있음

R에서 선형 회귀 실행 및 시각화 복습

reg_model <- lm(response ~ predictor, data = reg_demo)

summary(reg_model)
reg_model
reg_coef_plot <- tidy(reg_model)

ggplot(reg_model, aes(x = predictor, y = response)) +
    geom_point() +
    theme_minimal()  + 
    geom_abline(intercept = reg_model$estimate[1],
                slope = reg_model$estimate[2])

연습해 봅시다!

R로 배우는 계층 및 혼합 효과 모형