R lm()-Funktion – Lineares Regressionsmodell
Die R-Funktion lm() wird verwendet, um lineare Regressionsmodelle anzupassen und die lineare Beziehung zwischen unabhängigen und abhängigen Variablen zu analysieren.
Die lineare Regression ist eines der grundlegendsten und wichtigsten Werkzeuge in der statistischen Modellierung.
Die Syntax der Funktion lm() lautet wie folgt:
lm(formula, data)
Parameter description:
formulaFormel, im Format y ~ x1 + x2 + ..., wobei y die abhängige Variable und x die unabhängigen Variablen sind.
dataDatenrahmen, der die Variablen in der Formel enthält.
Beispiel
# Werbeausgaben und Verkaufsdaten
ad_spend <- c(10, 15, 12, 18, 20, 14, 22, 16, 25, 19)
sales <- c(50, 65, 55, 72, 80, 60, 88, 68, 95, 75)
# Das lineare Modell anpassen
model <- lm(sales ~ ad_spend)
# Modellzusammenfassung anzeigen
print(summary(model))
# Neue Daten vorhersagen
new_spend <- data.frame(ad_spend = c(17, 23))
predictions <- predict(model, new_spend)
print(paste("Vorhergesagte Verkäufe:", predictions))
ad_spend <- c(10, 15, 12, 18, 20, 14, 22, 16, 25, 19)
sales <- c(50, 65, 55, 72, 80, 60, 88, 68, 95, 75)
# Das lineare Modell anpassen
model <- lm(sales ~ ad_spend)
# Modellzusammenfassung anzeigen
print(summary(model))
# Neue Daten vorhersagen
new_spend <- data.frame(ad_spend = c(17, 23))
predictions <- predict(model, new_spend)
print(paste("Vorhergesagte Verkäufe:", predictions))
Das Ausführen des obigen Codes erzeugt die folgende Ausgabe:
Call:
lm(formula = sales ~ ad_spend)
Residuals:
Min 1Q Median 3Q Max
-4.3780 -1.5831 -0.4329 1.8202 4.9347
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 17.1622 3.4394 4.990 0.00106 **
ad_spend 3.0623 0.1933 15.839 2.42e-07 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 2.829 on 8 degrees of freedom
Multiple R-squared: 0.9691, Adjusted R-squared: 0.9652
F-statistic: 250.9 on 1 and 8 DF, p-value: 2.422e-07
[1] "预测销售额: 69.2218150385764 87.5953501640316"
R-Quadrat ist 0.9691, was darauf hindeutet, dass Werbeausgaben etwa 97% der Variation der Verkäufe erklären können.
Weitere Erweiterungen
R-Sprachbeispiele