Zusammenfassung
Die Korrelation zweier quantitativer Variablen ist ein Maß ihres linearen Zusammenhangs. Auch die lineare Regression bezieht sich auf den linearen Zusammenhang von Variablen, um mit seiner Hilfe Variablenwerte einer Zielvariable (des Kriteriums) durch die Werte anderer Variablen (der Prädiktoren) vorherzusagen.
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 (Abschn. 3.11.6).
- 2.
Zukünftig wird die Erläuterung der Sternchen mit options(show.signif.stars=FALSE) unterdrückt.
- 3.
Handelt es sich etwa im Rahmen einer Kovarianzanalyse (Abschn. 8.9) 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 PaketVGAM (Yee 2010, 2015) die Funktion vglm() bereit.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2021 Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature
About this chapter
Cite this chapter
Wollschläger, D. (2021). Lineare Regression. In: R kompakt. Springer Spektrum, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-63075-4_7
Download citation
DOI: https://doi.org/10.1007/978-3-662-63075-4_7
Published:
Publisher Name: Springer Spektrum, Berlin, Heidelberg
Print ISBN: 978-3-662-63074-7
Online ISBN: 978-3-662-63075-4
eBook Packages: Life Science and Basic Disciplines (German Language)