Części regresji

Hierarchiczne i mieszane modele efektów w R

Richard Erickson

Data Scientist

Wyraz wolny

$y = \beta + \epsilon$

Wiele wyrazów wolnych

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

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

Wykres z wieloma wyrazami wolnymi

Modele liniowe w R

lm(formula, data)

lm(y ~ x, data = myData)

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

Prosta regresja liniowa ze współczynnikiem kierunkowym

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

Regresja wielokrotna

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

Zastrzeżenia dotyczące regresji wielokrotnej

Niezależność zmiennych predykcyjnych
„skorygowane o..."
Paradoks Simpsona
Tylko zależności liniowe
Interakcje mogą być istotne

Wskazówki dotyczące regresji wielokrotnej w R

lm(y ~ x - 1) szacuje wyraz wolny dla każdego x
Zmienne numeryczne a czynnikowe
Skalowanie parametrów i współczynników kierunkowych
lm(y ~ x1 + x2 + x1:x2) można zapisać jako lm(y ~ x1 * x2)

Przypomnienie: uruchamianie i wizualizacja regresji liniowej w R

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])

Czas na ćwiczenia!

Hierarchiczne i mieszane modele efektów w R