Libreng Calculator ng Editverse
Kalkulador ng Maramihang Linear na Regresyon
Magkabit ng isang tuluy-tuloy na kinalabasan sa ilang predictor nang sabay-sabay, basahin ang bawat coefficient bilang isang naayos na epekto, at kopyahin ang eksaktong utos na R sa likod ng resulta. Ang isang kumpletong gabay sa interpretasyon ay nasa ibaba. Na-validate laban sa R 4.3.3.
Sa Simpleng Salita
Tinatantya ng multiple linear regression kung paano nagbabago ang isang tuluy-tuloy na kinalabasan habang nagbabago ang ilang predictor nang sabay-sabay. Ang bawat coefficient ay ang average na pagbabago sa kinalabasan para sa isang unit na pagtaas sa predictor na iyon habang ang iba ay pinananatiling nakapirmi — ang "adjusted" na epekto na hindi kayang ibigay ng isang simpleng two-variable na paghahambing.
Iniuulat din ng modelo ang R² , ang bahagi ng outcome variance na magkasamang ipinaliwanag ng mga predictor, at isang p-value para sa bawat coefficient. Magkasama nilang sinasabi sa iyo hindi lamang kung mahalaga ang isang predictor, kundi kung gaano nito naaapektuhan ang kinalabasan kapag isinaalang-alang na ang iba pang mga baryabol.
Kailan Gagamitin ang Maramihang Linear Regression
Gumamit ng multiple linear regression kapag ang iyong kinalabasan ay tuloy-tuloy at gusto mo ang independiyenteng kontribusyon ng bawat predictor pagkatapos isaayos para sa iba — halimbawa, ang pagmomodelo ng presyon ng dugo mula sa edad, BMI, at paggamit ng sodium nang sabay-sabay. Pinaghihiwalay nito ang sariling epekto ng isang predictor mula sa confounding ng mga baryabol na katabi nito, na hindi kayang gawin ng isang one-at-a-time analysis.
Kung binary ang iyong kinalabasan, gumamit na lang ng logistic regression ; para sa iisang predictor, maaaring sapat na ang isang simpleng correlation . Iulat ang bawat coefficient kasama ang 95% confidence interval nito , hindi lang ang p-value nito. Hindi sigurado kung aling modelo ang akma sa iyong disenyo? Maituturo ito sa iyo ng aming interactive Test Selector .
Inaasahan: isang hilera bawat tala, y, x1, x2, …
Maglagay ng CSV dito o i-click para pumili. Na-parse sa iyong browser: walang na-upload.
Inaasahan: isang hilera bawat tala, y, x1, x2, …
df <- read.csv(text = "y,x1,x2 {mlr_csv}") buod(lm(y ~ ., data = df))gabay sa paggamit
Kailan gagamitin. Magmodelo ng isang tuluy-tuloy na kinalabasan mula sa ilang predictor nang sabay-sabay; basahin ang bawat coefficient bilang ang naayos na epekto.
Mga Pagpapalagay. Linearidad, mga independiyenteng error, pare-parehong variance, normal na mga residual, walang matinding multicollinearidad.
Mga karaniwang pagkakamali. Iwasan ang paglalagay ng mas maraming predictor kaysa sa kayang suportahan ng sample; suriin ang mga salik ng variance inflation.
Nagtrabahong halimbawa
I-click ang Mag-load ng halimbawang datos sa itaas, pagkatapos ay ang Run Analysis upang makita ang ganap na resulta na may pigura, pormula, at interpretasyon para sa pagsusulit na ito.
Mga sanggunian
- Draper NR, Smith H. Aplikadong Pagsusuri ng Regresyon. Ika-3 edisyon 1998.
Mga Nagtrabahong Halimbawa
Halimbawa 1 — Dalawang tagahula ng isang resulta
Ipagpalagay na hinuhulaan ng isang modelo ang isang marka ng kalidad ng buhay mula sa isang dosis ng paggamot at isang baseline severity rating, na iniakma bilang ŷ = 8.4 + 1.9·dose − 0.6·severity. Ang dose coefficient na 1.9 ay nangangahulugan na, habang nakapirmi ang baseline severity, ang bawat karagdagang unit ng dosis ay nauugnay sa isang 1.9-puntong mas mataas na marka sa average. Sinasabi ng negatibong severity coefficient na ang mas mataas na baseline severity ay hinuhulaan ang isang mas mababang marka kapag ang dosis ay naisama na.
Halimbawa 2 — Pagbasa ng R² at kahalagahan
Kung ang parehong modelo ay nag-uulat ng R² = 0.62, ang dalawang predictor na magkasama ay magpapaliwanag ng 62% ng pagkakaiba-iba sa iskor; ang natitirang 38% ay hindi maipaliwanag. Ang isang coefficient ay hinuhusgahan nang makabuluhan sa istatistika sa pamamagitan ng p-value at confidence interval nito — ang isang interval na hindi kasama ang zero ay nagpapahiwatig na ang naayos na epekto ay maaaring makilala mula sa walang epekto sa napiling antas.
Mga Pagpapalagay na Susuriin
Linearidad at additivity. Ang kinalabasan ay minodelo bilang isang tuwid na linya, additive function ng mga predictor. Ang mga kurbadong relasyon ay nangangailangan ng transpormasyon o mga polynomial na termino, at ang mga tunay na interaksyon ay dapat na malinaw na ipinasok.
Magkahiwalay, pantay na pagkakaiba-iba, normal na mga error. Ang mga residual ay dapat na magkahiwalay, may halos pare-parehong pagkalat sa mga fitted value (homoscedasticity), at humigit-kumulang normal. I-plot ang mga residual laban sa mga fitted value at gumamit ng normal quantile plot upang suriin.
Walang matinding multicollinearity, sapat na laki ng sample. Pinapataas ng mga highly correlated predictor ang mga standard error; i-screen gamit ang variance inflation factors. Kailangan mo rin ng sapat na obserbasyon sa bawat predictor — ang sobrang daming termino para sa laki ng sample ay nagreresulta sa hindi matatag at overfitted coefficients.
Karaniwang Pagkakamali
Sobrang pag-angkop sa napakaraming prediktor
Ang pagdaragdag ng mga predictor na hindi kayang suportahan ng sample ay nagpapalaki ng R² habang ginagawang hindi matatag ang mga coefficient. Ang mga konsiderasyon sa laki ng sample, hindi isang nakapirming tuntunin, ang dapat gumabay sa kung gaano karaming termino ang isasama.
Hindi pinapansin ang multicollinearity
Kapag ang mga predictor ay may malakas na kaugnayan, ang mga indibidwal na koepisyente ay nagiging hindi maaasahan at maaari pang magbago ng senyales. Suriin ang mga variance inflation factor bago bigyang-kahulugan ang anumang epekto.
Pagbibigay-kahulugan sa mga koepisyente nang hindi inaayos ang iba
Ang bawat koepisyent ay isang naayos na epekto, na nakabatay sa iba pang mga tagahula. Ang paglalarawan nito bilang isang hilaw at hindi naayos na relasyon ay nagkakamali sa pagtatantya ng modelo.
Paglaktaw sa mga natitirang diagnostic
Ang mataas na R² ay hindi nagpapatunay na maayos ang modelo. Ang non-linearity o non-constant variance ay maaaring magtago sa likod ng isang mahusay na pagkakatugma; palaging siyasatin ang mga residual plot bago iulat.
Mga Madalas Itanong
Paano naiiba ang multiple regression sa simpleng regression?
Ang simpleng regresyon ay gumagamit ng isang predictor; ang multiple regression ay gumagamit ng ilan nang sabay-sabay at iniuulat ang bawat epekto na inayos para sa iba, na pinaghihiwalay ang magkakapatong na mga impluwensya.
Ano ang ibig sabihin ng isang nababagay na koepisyent?
Ito ang karaniwang pagbabago sa kinalabasan para sa isang yunit na pagbabago sa prediktor na iyon habang ang bawat iba pang prediktor sa modelo ay pinananatiling pare-pareho.
Ilang obserbasyon ang kailangan ko?
Depende ito sa layunin — ang tumpak na pagtantya ng isang koepisyent kumpara sa paghula ng mga indibidwal na resulta ay nagpapahiwatig ng magkakaibang mga kinakailangan. Ibatay ang bilang sa karaniwang error na kaya mong tiisin, hindi sa isang pangkalahatang tuntunin ng paksa-bawat-variable.
Tugma ba ang resulta sa SPSS, R, at Stata?
Oo. Gumagamit ang calculator ng mga ordinaryong least square at ipinapakita ang eksaktong lm() utos para ma-reproduce mo ang mga coefficient, R², at p-values sa R.
Mga Kaugnay na Calculator
Mga sanggunian
- Hanley JA. Simple at multiple linear regression: mga pagsasaalang-alang sa laki ng sample. J Clin Epidemiol. 2017;79:112–119. PMID 27393156.
- Slinker BK, Glantz SA. Ang multiple linear regression ay isang kapaki-pakinabang na alternatibo sa mga tradisyunal na pagsusuri ng variance. Am J Physiol. 1988;255(3 Pt 2):R353–367. PMID 3046375.
- Draper NR, Smith H. Aplikadong Pagsusuri ng Regresyon. Ika-3 edisyon. New York: Wiley; 1998.
Kailangan Mo Bang Gawin ang Pagsusuring Ito para sa Iyong Manuskrito?
Ang aming mga PhD biostatistician ay bumubuo ng iyong modelo ng regresyon, sinusuri ang bawat palagay, iniuulat ang mga naayos na koepisyente na may mga confidence interval, at naghahatid ng mga talahanayan na handa nang ilathala na may maaaring kopyahing output ng R.