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.
Lösung
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
Answerlist
Falsch
Falsch
Falsch
Falsch
Richtig
Categories:
regression
lm
stats-nutshell
schoice
Source Code
---exname: lm1extype: schoiceexsolution: 1exshuffle: nocategories:- regression- lm- stats-nutshell- schoice- mtcarsdate: '2023-05-08'slug: lm1title: lm1---```{r data generation, echo = FALSE, results = "hide"}d <-data.frame(x =runif(100, -1, 1))a <-0b <-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))```# AufgabeLaden 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># LösungDas 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