Zusammenfassung
Nach der Vorstellung des Tests auf Korrelation behandelt das folgende Kapitel Regressionsmodelle. Dazu zählen die einfache wie die multiple lineare Regression sowie die logistische Regression. Vorgestellt werden einerseits die deskriptive Modellanpassung, andererseits inferenzstatistische Tests, Konfidenzintervalle und die Vorhersage auf Basis neuer Prädiktor-Daten. Regressionsdiagnostik zur Beurteilung der Verteilungseigenschaften sowie von Multikollinearität ist Thema eines eigenen Abschnitts. Als Ausblick werden Zusatzpakete diskutiert, um robuste und penalisierte Regressionsmodelle ebenso anzupassen wie Modelle für nicht-lineare Zusammenhänge sowie gemischte Modelle für geclusterte Fehler.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Bei fehlenden Werten ist darauf zu achten, dass die z-Standardisierung bei beiden Variablen auf denselben Beobachtungsobjekten beruht. Gegebenenfalls sollten fehlende Werte der beteiligten Variablen aus dem Datensatz vorher manuell ausgeschlossen werden (vgl. Abschn. 3.9.6).
- 2.
Zukünftig wird die Erläuterung der Sternchen mit options(show.signif.stars=FALSE) unterdrückt.
- 3.
Handelt es sich etwa im Rahmen einer Kovarianzanalyse (vgl. Abschn. 7.9) um einen kategorialen Prädiktor, mithin ein Objekt der Klasse factor, so muss die zugehörige Variable in newdata dieselben Stufen in derselben Reihenfolge beinhalten wie die des ursprünglichen Modells – selbst wenn nicht alle Faktorstufen tatsächlich als Ausprägung vorkommen.
- 4.
Auch die Poisson-Regression lässt sich mit glm() durchführen. Für die ordinale sowie multinomiale Regression stellt das Paket VGAM (Yee; 2010, 2015) die Funktion vglm() bereit.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2016 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Wollschläger, D. (2016). Lineare Regression. In: R kompakt. Springer-Lehrbuch. Springer Spektrum, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-49102-7_6
Download citation
DOI: https://doi.org/10.1007/978-3-662-49102-7_6
Published:
Publisher Name: Springer Spektrum, Berlin, Heidelberg
Print ISBN: 978-3-662-49101-0
Online ISBN: 978-3-662-49102-7
eBook Packages: Life Science and Basic Disciplines (German Language)