COMMunication
RESearch.NET

User Tools

Site Tools

You are here: index » multiple_regression_examples
Trace:
multiple_regression_examples

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revisionPrevious revision
Next revision		Previous revision
Next revisionBoth sides next revision
multiple_regression_examples [2020/07/06 15:04] – [E.g. 1] hkimscilmultiple_regression_examples [2020/12/01 17:01] – [E.g. 1] hkimscil
Line 185: Line 185:
 이를 위해서 아래를 계획, 수행해본다.  이를 위해서 아래를 계획, 수행해본다. 
  
-  - 독립변인 간의 regression을 수행한다  +  - 각각의 독립변인이 고유하게 미치는 영향력은 (설명력은) 무엇인지를 본다.  
-    * stress의 순수영향력을 보기 위한 것이므로 bmi와의 상관관계 제곱값, 즉, R제곱 값을 구한다 +  - 공통설명력은 얼마나 되는지 본다.
-    * ''lm.bmi.stress <- lm(bmi ~ stress)'' +
-  - 위의 R제곱기여 분의 나머지를 가지고 종속변인인 happiness에 regression한다.+
  
-<code> +  - 1을 위해서는 각 독립변인과 종속변인인 happiness의 semi-partial correlation값을 구해서 제곱해보면 되겠다.  
-lm.stress.bmi <- lm(stress ~ bmi) +  - 2를 위해서는 두 독립변인을 써서 구했던 r 제곱값에서 위의 1에서 구한 제곱값들을 제외한 나머지를 보면 된겠다. 
-summary(lm.stress.bmi) +
-</code>+
  
-<code> +  * 결론을 내기 위한 계획을 세우고 실행한다.  
-> lm.stress.bmi <- lm(stress ~ bmi) +  * 이는 아래와 같이 정리할 수 있다
-> summary(lm.stress.bmi)+
  
-Call: +{{:pasted:20201201-170048.png}}
-lm(formula = stress ~ bmi) +
- +
-Residuals: +
-     Min       1Q   Median       3Q      Max  +
--1.17393 -0.35678 -0.01209  0.37939  0.86685  +
- +
-Coefficients: +
-            Estimate Std. Error t value Pr(>|t|)     +
-(Intercept) -1.40167    0.42160  -3.325  0.00248 **  +
-bmi          0.16787    0.01606  10.454 3.58e-11 *** +
---- +
-Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 +
- +
-Residual standard error: 0.5755 on 28 degrees of freedom +
-Multiple R-squared:  0.796, Adjusted R-squared:  0.7888  +
-F-statistic: 109.3 on 1 and 28 DF,  p-value: 3.58e-11 +
-> +
-</code> +
- +
-위의 아웃풋에서 우리는 bmi와 stress간의 상관관계는 sqrt(0.796)임을 알 수 있고, stress 총 분산 중, R제곱 값인 .796 (약 80%)를 bmi가 설명하고 있다고 하겠다. 여기서 아래의 코드를 이용하여 residual을 알아볼 수 있다.+
  
 +===== 각각의 독립변인이 고유하게 미치는 영향력은 (설명력은) 무엇인지를 본다 =====
 <code> <code>
-res.lm.stress.bmi <- lm.stress.bmi$residuals +m1 <- 
-res.lm.stress.bmi+
 </code> </code>
  
-<code> 
-> res.lm.stress.bmi <- lm.stress.bmi$residuals 
-> res.lm.stress.bmi 
-           1            2            3            4            5            6  
- 0.866854946  0.833281255 -0.351374050  0.665412796  0.463970646  0.245741650  
-           7            8            9           10           11           12  
- 0.178594267 -1.006061037 -1.173929495 -0.173929495 -0.358584799 -0.543240104  
-          13           14           15           16           17           18  
--0.576813795  0.339251976  0.322465130 -0.895763866 -0.030058633 -0.030058633  
-          19           20           21           22           23           24  
--0.030058633 -0.214713937 -0.399369241  0.667778142 -0.852614079  0.013091155  
-          25           26           27           28           29           30  
--0.154777303  0.828435851  0.626993701  0.391977859  0.341617322  0.005880405  
->  
-</code> 
  
-이 residuals이 DV (종속변인) 설명에 얼마나 기여하는지를 보기 위해서 regression을 하면 stress 고유분의 영향력을 파악할 수 있다.  
  
-<code> 
-lm.happiness.reslmstressbmi <- lm(happiness ~ res.lm.stress.bmi) 
-summary(lm.happiness.reslmstressbmi) 
-anova(lm.happiness.reslmstressbmi) 
-</code> 
  
-<code> 
-> lm.happiness.reslmstressbmi <- lm(happiness ~ res.lm.stress.bmi) 
-> summary(lm.happiness.reslmstressbmi) 
  
-Call: +'' stress: 8.1% '' 와 '' bmi: 1.78% '' 만이 독립변인의 고유영향력이고 이를 제외한 '' 82.17 - (9.88) = 72.29 '' 가 공통영향력이라고 하겠다.
-lm(formula = happiness ~ res.lm.stress.bmi) +
- +
-Residuals: +
-    Min      1Q  Median      3Q     Max  +
--1.9383 -1.2297  0.2170  0.9804  1.9284  +
- +
-Coefficients: +
-                  Estimate Std. Error t value Pr(>|t|)     +
-(Intercept)         2.8333     0.2388  11.865 1.95e-12 *** +
-res.lm.stress.bmi  -0.6781     0.4295  -1.579    0.126     +
---- +
-Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 +
- +
-Residual standard error: 1.308 on 28 degrees of freedom +
-Multiple R-squared:  0.08173, Adjusted R-squared:  0.04894  +
-F-statistic: 2.492 on 1 and 28 DF,  p-value: 0.1256 +
- +
-> anova(lm.happiness.reslmstressbmi) +
-Analysis of Variance Table +
- +
-Response: happiness +
-                  Df Sum Sq Mean Sq F value Pr(>F) +
-res.lm.stress.bmi  1  4.264  4.2638  2.4922 0.1256 +
-Residuals         28 47.903  1.7108                +
->  +
->  +
-</code> +
- +
-<code> +
-Multiple R-squared:  0.08173, Adjusted R-squared:  0.04894  +
-F-statistic: 2.492 on 1 and 28 DF,  p-value: 0.1256 +
-</code> +
- +
-이제 반대로 bmi 고유의 설명력을 보려면  +
-<code> +
-lm.bmi.stress <- lm(bmi~stress) +
-summary(lm.bmi.stress) +
-anova(lm.bmi.stress) +
-res.lm.bmi.stress <- lm.bmi.stress$residuals +
-lm.happiness.reslmbmistress <- lm(happiness ~ res.lm.bmi.stress) +
-summary(lm.happiness.reslmbmistress) +
-anova(lm.happiness.reslmbmistress) +
-</code> +
- +
-<code> +
-> lm.bmi.stress <- lm(bmi~stress) +
-> summary(lm.bmi.stress) +
- +
-Call: +
-lm(formula = bmi ~ stress) +
- +
-Residuals: +
-    Min      1Q  Median      3Q     Max  +
--6.2169 -2.0524  0.3411  2.2700  5.2411  +
- +
-Coefficients: +
-            Estimate Std. Error t value Pr(>|t|)     +
-(Intercept)  11.8327     1.4152   8.361 4.27e-09 *** +
-stress        4.7421     0.4536  10.454 3.58e-11 *** +
---- +
-Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 +
- +
-Residual standard error: 3.059 on 28 degrees of freedom +
-Multiple R-squared:  0.796, Adjusted R-squared:  0.7888  +
-F-statistic: 109.3 on 1 and 28 DF,  p-value: 3.58e-11 +
- +
-> anova(lm.bmi.stress) +
-Analysis of Variance Table +
- +
-Response: bmi +
-          Df  Sum Sq Mean Sq F value   Pr(>F)     +
-stress     1 1022.42 1022.42  109.29 3.58e-11 *** +
-Residuals 28  261.95    9.36                      +
---- +
-Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 +
-> res.lm.bmi.stress <- lm.bmi.stress$residuals +
-> lm.happiness.reslmbmistress <- lm(happiness ~ res.lm.bmi.stress) +
-> summary(lm.happiness.reslmbmistress) +
- +
-Call: +
-lm(formula = happiness ~ res.lm.bmi.stress) +
- +
-Residuals: +
-     Min       1Q   Median       3Q      Max  +
--1.97283 -0.94440  0.05897  0.97961  2.29664  +
- +
-Coefficients: +
-                  Estimate Std. Error t value Pr(>|t|)     +
-(Intercept)        2.83333    0.24698  11.472 4.27e-12 *** +
-res.lm.bmi.stress -0.05954    0.08358  -0.712    0.482     +
---- +
-Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 +
- +
-Residual standard error: 1.353 on 28 degrees of freedom +
-Multiple R-squared:  0.0178, Adjusted R-squared:  -0.01728  +
-F-statistic: 0.5074 on 1 and 28 DF,  p-value: 0.4822 +
- +
-> anova(lm.happiness.reslmbmistress) +
-Analysis of Variance Table +
- +
-Response: happiness +
-                  Df Sum Sq Mean Sq F value Pr(>F) +
-res.lm.bmi.stress  1  0.929 0.92851  0.5074 0.4822 +
-Residuals         28 51.238 1.82993      +
-</code> +
- +
-<code> +
-Multiple R-squared:  0.0178, Adjusted R-squared:  -0.01728  +
-F-statistic: 0.5074 on 1 and 28 DF,  p-value: 0.4822 +
-</code>+
  
-stress: 8.1% 
-bmi: 1.78%  
-만이 독립변인의 고유영향력이고 이를 제외한  
-82.17 - (9.88) = 72.29 가 
-공통영향력이라고 하겠다. 
  
  
multiple_regression_examples.txt · Last modified: 2023/10/21 13:26 by hkimscil
Donate Powered by PHP Valid HTML5 Valid CSS Driven by DokuWiki