¿Cómo traducir los resultados de lm () a una ecuación?

29

Podemos usar lm()para predecir un valor, pero aún necesitamos la ecuación de la fórmula del resultado en algunos casos. Por ejemplo, agregue la ecuación a las gráficas.

r regression lm

— usuario27736
fuente

2

¿Puede reformular su pregunta o agregar algunos detalles? Estoy bastante familiarizado con R lmy los modelos lineales en general, pero no está del todo claro qué es exactamente lo que quieres. ¿Puedes dar un ejemplo o algo para aclarar? ¿Es esto por algún tema?

— Glen_b -Reinstala a Monica el

2

Supongo que quieres los coeficientes de la fórmula de regresión lineal. Intente llamar coef()al lmobjeto ajustado , como en:mod <- lm(y ~ x); coef(mod)

— Jake Westfall

Si escribe, lm(y~x)$callle dice que la fórmula es y ~ x. Si quiere decir algo diferente a eso, debe ser más específico.

— Glen_b -Reinstala Monica el

1

Relacionado: ¿Cómo aplicar el término de coeficiente para factores y términos interactivos en una ecuación lineal?

— chl

Vale la pena leer stackoverflow.com/questions/7549694/…

— mnel

30

Considere este ejemplo:

set.seed(5)            # this line will allow you to run these commands on your
                       # own computer & get *exactly* the same output
x = rnorm(50)
y = rnorm(50)

fit = lm(y~x)
summary(fit)
# Call:
# lm(formula = y ~ x)
# 
# Residuals:
#      Min       1Q   Median       3Q      Max 
# -2.04003 -0.43414 -0.04609  0.50807  2.48728 
# 
# Coefficients:
#             Estimate Std. Error t value Pr(>|t|)
# (Intercept) -0.00761    0.11554  -0.066    0.948
# x            0.09156    0.10901   0.840    0.405
# 
# Residual standard error: 0.8155 on 48 degrees of freedom
# Multiple R-squared: 0.01449,  Adjusted R-squared: -0.006046 
# F-statistic: 0.7055 on 1 and 48 DF,  p-value: 0.4051

Supongo que la pregunta es cómo calcular la ecuación de regresión a partir del resumen de salida de R. Algebraicamente, la ecuación para un modelo de regresión simple

{\hat{y}}_{i} = {\hat{β}}_{0} + {\hat{β}}_{1} x_{i} + {\hat{ε}}_{i} where ε \sim N (0, {\hat{σ}}^{2})

$\hat y_i = \hat\beta_0 + \hat\beta_1 x_i + \hat\varepsilon_i \\ \text{where } \varepsilon\sim\mathcal N(0,~\hat\sigma^2)$ Sólo tenemos que mapear lasummary.lm()salida a estos términos. Esto es:

$\hat\beta_0$ Estimate(Intercept)-0.00761
$\hat\beta_1$ Estimatex0.09156
$\hat\sigma$ Residual standard error0.8155

{\hat{y}}_{i} = - 0.00761 + 0.09156 x_{i} + {\hat{ε}}_{i} where ε \sim N (0, {0.8155}^{2})

$\hat y_i = -0.00761~+~0.09156 x_i~+~\hat\varepsilon_i \\ \text{where } \varepsilon\sim\mathcal N(0,~0.8155^2)$

— gung - Restablece a Monica
fuente

2

lm

\hat{y} = - 0.00761 + 0.09156 x

$\hat y=−0.00761 + 0.09156x$

6

Si lo que quiere es predecir puntajes usando su ecuación de regresión resultante, puede construir la ecuación a mano escribiendo summary(fit)(si su análisis de regresión se almacena en una variable llamada fit, por ejemplo), y mirando las estimaciones para cada coeficiente incluido en su modelo.

$y=\beta_0+\beta_1x+\epsilon$ $\beta_0$ $\beta_1$ $\hat{y}=0.5+1.6x$

Sin embargo, esta es la ruta difícil. R tiene una función incorporada, predict()que puede usar para calcular automáticamente los valores pronosticados dado un modelo para cualquier conjunto de datos. Por ejemplo: predict(fit, newdata=data)si las puntuaciones x que desea utilizar para predecir puntuaciones y se almacenan en la variable data. (Tenga en cuenta que para ver los puntajes pronosticados para la muestra en la que se realizó su regresión, simplemente puede escribir fit$fittedo fitted(fit); estos le darán los valores pronosticados, también ajustados).

— Patrick Coulombe
fuente

0

Si desea mostrar la ecuación, le gusta cortar / pegar en un documento, pero no quiere preocuparse por armar la ecuación completa:

R> library(MASS)
R> crime.lm <- lm(y~., UScrime)
R> cc <- crime.lm$coefficients
R> (eqn <- paste("Y =", paste(round(cc[1],2), paste(round(cc[-1],2), names(cc[-1]), sep=" * ", collapse=" + "), sep=" + "), "+ e"))
[1] "Y = -5984.29 + 8.78 * M + -3.8 * So + 18.83 * Ed + 19.28 * Po1 + -10.94 * Po2 + -0.66 * LF + 1.74 * M.F + -0.73 * Pop + 0.42 * NW + -5.83 * U1 + 16.78 * U2 + 0.96 * GDP + 7.07 * Ineq + -4855.27 * Prob + -3.48 * Time + e"

— keithpjolley
fuente

0

Basándose en la respuesta de keithpjolley, esto reemplaza los signos '+' utilizados en el separador con el signo real del coeficiente.

modelcrime <- lm(y~., UScrime)
modelcrime_coeff <- modelcrime$coefficients
modelcrime_coeff_sign <- sign(modelcrime_coeff)
modelcrime_coeff_prefix <- case_when(modelcrime_coeff_sign == -1 ~ " - ",
                                     modelcrime_coeff_sign == 1 ~ " + ",
                                     modelcrime_coeff_sign == 0 ~ " + ")
modelcrime_eqn <- paste("y =", paste(if_else(modelcrime_coeff[1]<0, "- ", ""),
                                         abs(round(modelcrime_coeff[1],3)),
                                     paste(modelcrime_coeff_prefix[-1],
                                           abs(round(modelcrime_coeff[-1],3)),
                                           " * ",
                                           names(modelcrime_coeff[-1]),
                                           sep = "", collapse = ""),
                                     sep = ""))
modelcrime_eqn

produce el resultado

[1] "y = - 5984.288 + 8.783 * M - 3.803 * So + 18.832 * Ed + 19.28 * Po1 - 10.942 * Po2 - 0.664 * LF + 1.741 * M.F - 0.733 * Pop + 0.42 * NW - 5.827 * U1 + 16.78 * U2 + 0.962 * GDP + 7.067 * Ineq - 4855.266 * Prob - 3.479 * Time"

— David Fong
fuente