R - Regresión lineal
En estadística, la regresión lineal (Linear Regression) es un análisis de regresión que utiliza la función de mínimos cuadrados, llamada ecuación de regresión lineal, para modelar la relación entre una o más variables independientes y una variable dependiente.
En términos simples, es un método de análisis estadístico utilizado para determinar la relación cuantitativa de interdependencia entre dos o más variables.
En el análisis de regresión, si solo se incluye una variable independiente y una variable dependiente, y la relación entre ambas puede aproximarse con una línea recta, este análisis de regresión se denomina análisis de regresión lineal simple. Si el análisis de regresión incluye dos o más variables independientes y la relación entre la variable dependiente y las independientes es lineal, se denomina análisis de regresión lineal múltiple.
Ecuación matemática del análisis de regresión lineal simple:
y = ax + b
yes el valor de la variable dependiente.
xes el valor de la variable independiente.
aybson los parámetros de la ecuación de regresión lineal simple.
A continuación, podemos crear un modelo de predicción de altura y peso corporal:
- 1. Recopilar datos de muestra: altura y peso.
- 2. Usar la función lm() para crear un modelo de relación.
- 3. Encontrar los coeficientes del modelo creado y crear la ecuación matemática.
- 4. Obtener el resumen del modelo de relación para comprender el error promedio, es decir, los residuos (diferencia entre el valor estimado y el valor real).
- 5. Usar la función predict() para predecir el peso de una persona.
Preparar los datos
Los siguientes son los datos de altura y peso de las personas:
# 身高,单位 cm 151, 174, 138, 186, 128, 136, 179, 163, 152, 131 # 体重,单位 kg 63, 81, 56, 91, 47, 57, 76, 72, 62, 48
Función lm()
En R, puedes realizar una regresión lineal mediante la función lm().
La función lm() se utiliza para crear un modelo de relación entre la variable independiente y la variable dependiente.
La sintaxis de la función lm() es la siguiente:
lm(formula,data)
Descripción de parámetros:
- formula: una fórmula simbólica que representa la relación entre x e y.
- data: los datos a aplicar.
Crear el modelo de relación y obtener los coeficientes:
Ejemplo
x <- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131)
y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48)
# Enviar a la función lm()
relation <- lm(y~x)
print(relation)
Ejecutar el código anterior produce el siguiente resultado:
Call:
lm(formula = y ~ x)
Coefficients:
(Intercept) x
-38.4551 0.6746
Usarsummary()función para obtener el resumen del modelo de relación:
Ejemplo
y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48)
# Enviar a la función lm()
relation <- lm(y~x)
print(summary(relation))
Ejecutar el código anterior produce el siguiente resultado:
Call:
lm(formula = y ~ x)
Residuals:
Min 1Q Median 3Q Max
-6.3002 -1.6629 0.0412 1.8944 3.9775
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -38.45509 8.04901 -4.778 0.00139 **
x 0.67461 0.05191 12.997 1.16e-06 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 3.253 on 8 degrees of freedom
Multiple R-squared: 0.9548, Adjusted R-squared: 0.9491
F-statistic: 168.9 on 1 and 8 DF, p-value: 1.164e-06
Función predict()
La función predict() se utiliza para predecir valores basándose en el modelo que hemos creado.
La sintaxis de la función predict() es la siguiente:
predict(object, newdata)
Descripción de parámetros:
- object: la fórmula creada por la función lm().
- newdata: los valores a predecir.
En el siguiente ejemplo, predecimos un nuevo valor de peso:
Ejemplo
x <- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131)
y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48)
# Enviar a la función lm()
relation <- lm(y~x)
# Determinar el peso para una altura de 170 cm
a <- data.frame(x = 170)
result <- predict(relation,a)
print(result)
Ejecutar el código anterior produce el siguiente resultado:
1 76.22869
También podemos generar un gráfico:
Ejemplo
x <- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131)
y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48)
relation <- lm(y~x)
# Generar imagen PNG
png(file = "linearregression.png")
# Generar gráfico
plot(y,x,col = "blue",main = "Height & Weight Regression",
abline(lm(x~y)),cex = 1.3,pch = 16,xlab = "Weight in Kg",ylab = "Height in cm")
El gráfico es el siguiente:

Ejemplos de lenguaje R