Stückweise Regression in R
Die stückweise Regression wird verwendet, wenn es klare Haltepunkte in den Daten gibt. Dieses Tutorial zeigt, wie Sie eine stückweise Regression in R durchführen.
Stückweise Regression in R
Wenn es klare Bruchstellen in den Daten gibt, ist die funktionierende Regression die stückweise Regression. Die stückweise Regression ist der schrittweise Prozess, wie unten gezeigt:
-
Erstellen Sie den Datenrahmen.
-
Passen Sie das lineare Regressionsmodell für die Daten an. Wir können dies mit der Methode
lm()tun. -
Passen Sie das stückweise Regressionsmodell an. Die Methode
segmented()aus dem Paketsegmentedwird verwendet, um das stückweise Regressionsmodell anzupassen. -
Visualisieren Sie das endgültige stückweise Regressionsmodell mit der Methode
plot().
Versuchen wir nun ein Beispiel mit den obigen Schritten. Siehe Beispiel:
#Step 1
#create the DataFrame
data<-read.table(text="
Year Stopped
2015 973
2016 1025
2017 1151
2018 1384
2019 4507
2020 15557
", header=T, sep="")
#first six rows of the data frame
head(data)
#Step2
#fit the simple linear regression model
dput(names(data))
q.lm <- lm(log(Stopped) ~ Year, data)
summary(q.lm)
#Step3
#fit the piecewise regression model to original model,
#estimating a breakpoint at x=14
install.packages('segmented')
library(segmented)
o <- segmented(q.lm, seg.Z = ~Year, psi = 2018)
# view the summary
summary(o)
#Step4
# visulize the piecewise regression model
plot(o)
points(log(Stopped) ~ Year, data)
Der obige Code erstellt ein stückweises Regressionsmodell für die Personen, die das Studium in verschiedenen Jahren abgebrochen haben. Der Code hat einige Ausgaben, die im Folgenden beschrieben werden:
Die Ausgabe für Schritt 1:
Year Stopped
1 2015 973
2 2016 1025
3 2017 1151
4 2018 1384
5 2019 4507
6 2020 15557
Es zeigt den Kopf der Daten.
Die Ausgabe für Schritt 2:
Call:
lm(formula = log(Stopped) ~ Year, data = data)
Residuals:
1 2 3 4 5 6
0.50759 0.03146 -0.38079 -0.72463 -0.07216 0.63853
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -1057.9257 279.3081 -3.788 0.0193 *
Year 0.5282 0.1384 3.815 0.0189 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 0.5791 on 4 degrees of freedom
Multiple R-squared: 0.7844, Adjusted R-squared: 0.7305
F-statistic: 14.56 on 1 and 4 DF, p-value: 0.01886
Dies zeigt die Zusammenfassung für das lineare Regressionsmodell.
Die Ausgabe für Schritt 3:
***Regression Model with Segmented Relationship(s)***
Call:
segmented.lm(obj = q.lm, seg.Z = ~Year, psi = 2018)
Estimated Break-Point(s):
Est. St.Err
psi1.Year 2017.91 0.039
Meaningful coefficients of the linear terms:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -162.39260 35.56716 -4.566 0.0448 *
Year 0.08400 0.01764 4.761 0.0414 *
U1.Year 1.12577 0.02495 45.121 NA
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 0.02495 on 2 degrees of freedom
Multiple R-Squared: 0.9998, Adjusted R-squared: 0.9995
Boot restarting based on 6 samples. Last fit:
Convergence attained in 1 iterations (rel. change 3.7909e-16)
Dies passt zum stückweisen Regressionsmodell und zeigt die Zusammenfassung für das Modell. Das Modell erkennt einen Breakpoint im Jahr 2017.91.
Die Ausgabe für Schritt 4:
Es visualisiert das stückweise Regressionsmodell. Das Diagramm zeigt, dass das stückweise Regressionsmodell recht gut zu den gegebenen Daten passt.
Sheeraz is a Doctorate fellow in Computer Science at Northwestern Polytechnical University, Xian, China. He has 7 years of Software Development experience in AI, Web, Database, and Desktop technologies. He writes tutorials in Java, PHP, Python, GoLang, R, etc., to help beginners learn the field of Computer Science.
LinkedIn Facebook