Differences

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

--- multiple_regression_exercise [2025/10/30 13:13] – [추가 설명 2] hkimscil
+++ multiple_regression_exercise [2025/10/30 13:28] (current) – [추가설명] hkimscil
@@ Line 310: / Line 310: @@
 아래는 Advertising을 없애질 않고 ShelveLoc을 없앤것이라서 약간 다르게 보이지만 요지는 같습니다.
 <code>
->
 > lm.1 <- lm(Sales ~ Advertising + Advertising:ShelveLoc, data = Carseats)
-> lm.1
+> summary(lm.1)
 Call:
 lm(formula = Sales ~ Advertising + Advertising:ShelveLoc, data = Carseats)
+Residuals:
+    Min      1Q  Median      3Q     Max
+-6.7650 -1.7351 -0.1523  1.5481  8.1350
 Coefficients:
-        (Intercept)                  Advertising    Advertising:ShelveLocGood  Advertising:ShelveLocMedium
+                            Estimate Std. Error t value Pr(>|t|)
-.76500                     -0.05412                      0.35597                      0.14922
+(Intercept)                  6.76500    0.17503  38.650  < 2e-16 ***
+Advertising                 -0.05412    0.03136  -1.726   0.0852 .
+Advertising:ShelveLocGood    0.35597    0.03901   9.126  < 2e-16 ***
+Advertising:ShelveLocMedium  0.14922    0.03346   4.460 1.07e-05 ***
+---
+Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
+Residual standard error: 2.476 on 396 degrees of freedom
+Multiple R-squared:  0.237,	Adjusted R-squared:  0.2312
+F-statistic:    41 on 3 and 396 DF,  p-value: < 2.2e-16
+>
 </code>
 위에서 prediction model 식을 완성한다고 하면
-Sales hat = 6.76500 - 0.05412 * Advertising  --> ShelveLocBad 인경우
+  * **Sales hat = 6.76500 - 0.05412 * Advertising**  --> **ShelveLocBad** 인경우
-Sales hat = 6.76500 - (0.05412 + 0.14922) * Advertising  --> ShelveLocMedium 인경우
+  * Sales hat = 6.76500 + (-0.05412 + 0.14922) * Advertising  --> ShelveLocMedium 인경우
-Sales hat = 6.76500 - (0.05412 + 0.35597) * Advertising  --> ShelveLocGood 인경우
+    * Sales hat = **6.76500 - (0.0951)*Advertising**  --> **ShelveLocMedium** 인경우
+  * Sales hat = 6.76500 + (-0.05412 + 0.35597) * Advertising  --> ShelveLocGood 인경우
+    * **Sales hat = 6.76500 - (0.30185)*Advertising**  --> **ShelveLocGood** 인경우
 라고 하겠습니다.
@@ Line 423: / Line 439: @@
 </code>
+) Bad 인 경우는
+  * **Sales hat = 6.76500 + -0.05412*Advertising** 이 됩니다.
 ) ShelveLoc Good일 경우, ShelveLOcGood = 1이고 나머지는 0이므로
-Sales hat = Intercept + Advertising:ShelveLocGood 이 됩니다. 즉,
+  * Sales hat = Intercept + Advertising:ShelveLocGood 이 됩니다. 즉,
-Sales hat = 6.76500 + 0.30185 <fc #ff0000>* Advertising</fc>
+  * **Sales hat = 6.76500 + 0.30185*Advertising**
-  * 위의 <fc #ff0000>* Advertising</fc>은
+    * 위의 <fc #ff0000>* Advertising</fc>은
-  * Advertising:ShelveLocGood 에서
+    * Advertising:ShelveLocGood 에서
-  * Ad coefficient (0.30185) * SelfveLoc-Good (1)
+    * Ad coefficient (0.30185) * SelfveLocGood (1)  이라는 이야기입니다.
-  * 이라는 이야기입니다.
 ) ShelveLoc Medium일 경우는
-Sales hat = 6.76500 + 0.09510 * Advertising 이 됩니다
+  * **Sales hat = 6.76500 + 0.09510 * Advertising** 이 됩니다
-) Bad 인 경우는
-Sales hat = 6.76500 + -0.05412 * Advertising 이 됩니다.
 위는 결국 lm.1 과 같은 모델이라는 뜻입니다.
-<code>
-> summary(lm.1)
-Call:
-lm(formula = Sales ~ Advertising + Advertising:ShelveLoc, data = Carseats)
-Residuals:
-    Min      1Q  Median      3Q     Max
--6.7650 -1.7351 -0.1523  1.5481  8.1350
-Coefficients:
-                            Estimate Std. Error t value Pr(>|t|)
-(Intercept)                  6.76500    0.17503  38.650  < 2e-16 ***
-Advertising                 -0.05412    0.03136  -1.726   0.0852 .
-Advertising:ShelveLocGood    0.35597    0.03901   9.126  < 2e-16 ***
-Advertising:ShelveLocMedium  0.14922    0.03346   4.460 1.07e-05 ***
----
-Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
-Residual standard error: 2.476 on 396 degrees of freedom
-Multiple R-squared:  0.237,	Adjusted R-squared:  0.2312
-F-statistic:    41 on 3 and 396 DF,  p-value: < 2.2e-16
->
-</code>