May 8, 2023
Laden Sie den Datensatz mtcars aus dieser Quelle.
Berechnen Sie eine Regression mit mpg als Ausgabevariable und hp als Eingabevariable!
Welche Aussage ist für diese Analyse richtig?
mpg und hp sind positiv korreliert laut dem Modell.hp liegt bei 30.099.hp liegt bei -0.068.
Das geschätzte Betagewicht für hp liegt bei -0.068.
Die Analyse könnte so aussehen:
library(tidyverse)
library(easystats)
mtcars <- read_csv("https://vincentarelbundock.github.io/Rdatasets/csv/datasets/mtcars.csv")
lm1 <- lm(mpg ~ hp, data = mtcars)
parameters(lm1) | Parameter | Coefficient | SE | CI | CI_low | CI_high | t | df_error | p |
|---|---|---|---|---|---|---|---|---|
| (Intercept) | 30.0988605 | 1.6339210 | 0.95 | 26.7619488 | 33.4357723 | 18.421246 | 30 | 0e+00 |
| hp | -0.0682283 | 0.0101193 | 0.95 | -0.0888947 | -0.0475619 | -6.742388 | 30 | 2e-07 |
Categories:
---
exname: lm1
extype: schoice
exsolution: 1
exshuffle: no
categories:
- regression
- lm
- stats-nutshell
- schoice
- mtcars
date: '2023-05-08'
slug: lm1
title: lm1
---
```{r data generation, echo = FALSE, results = "hide"}
d <- data.frame(x = runif(100, -1, 1))
a <- 0
b <- sample(c(-1, 1), 1) * sample(c(0, 0.6, 0.9), 1)
d$y <- a + b * d$x + rnorm(100, sd = 0.25)
write.csv(d, "regression.csv", row.names = FALSE, quote = FALSE)
m <- lm(y ~ x, data = d)
bhat <- coef(m)[2]
bpvl <- summary(m)$coefficients[2, 4]
bsol <- c(bpvl >= 0.05, (bpvl < 0.05) & (bhat > 0), (bpvl < 0.05) & (bhat < 0))
```
# Aufgabe
Laden Sie den Datensatz `mtcars` aus [dieser Quelle](https://vincentarelbundock.github.io/Rdatasets/csv/datasets/mtcars.csv).
Berechnen Sie eine Regression mit `mpg` als Ausgabevariable und `hp` als Eingabevariable!
Welche Aussage ist für diese Analyse richtig?
Answerlist
----------
* `mpg` und `hp` sind positiv korreliert laut dem Modell.
* Der Achsenabschnitt ist nahe Null.
* Die Analyse beinhaltet einen nominal skalierten Prädiktor.
* Das geschätzte Betagewicht für `hp` liegt bei `30.099`.
* Das geschätzte Betagewicht für `hp` liegt bei `-0.068`.
</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>
# Lösung
Das geschätzte Betagewicht für `hp` liegt bei `-0.068`.
Die Analyse könnte so aussehen:
```{r echo = TRUE, warning=FALSE}
library(tidyverse)
library(easystats)
mtcars <- read_csv("https://vincentarelbundock.github.io/Rdatasets/csv/datasets/mtcars.csv")
lm1 <- lm(mpg ~ hp, data = mtcars)
parameters(lm1)
```
Answerlist
----------
* Falsch
* Falsch
* Falsch
* Falsch
* Richtig
---
Categories:
- regression
- lm
- stats-nutshell
- schoice