Deel 3.3 lineaire regressie variantie- en covariantie-
analyse
1. Het lineaire regressie model
1.5 predicties
predict(fit_model, newdata Op basis van het geschatte model P. 27
= …) (fit_model) de uitkomst voorspellen
voor de waarden in een nieuw
dataframe.
predict(fit_model, newdata= Zoals hierboven + vragen naar P. 28
…., interval = ‘confidence’ betrouwbaarheidsinterval of
of ‘prediction’) predictie interval.
lwr Ondergrens in output P. 28
upr Bovengrens in output P. 28
plot(fit_model) Model assumpties nagaan P. 30
2. De grootte van het effect
2.2 semi-partiële en partiële correlatie
eta.Squared(fit_model, Semi-partiële en partiële correlatie P. 39
type=3, anova = TRUE) bekomen.
eta.sq Semi-partiële correlatie in output P. 39
eta.sq.part Partiële correlatie P. 39
SS Verschillende kwadratensommen in P. 40
output
eta.sq bij residuals Proportie van de variantie in de P. 40
uitkomst die niet verklaard wordt
door het model. (SSE/SST)
2.3 betrouwbaarheidsintervallen voor betha
confint(fit_model) Betrouwbaarheidsinterval van 95% P. 41
opvragen
3. Regressie met nominale predictoren
3.2 voorbeeld pijneducatie
contrasts(….$...) Opvragen welke restrictie schema P. 45
gehanteerd wordt.
contr.treatment Dummy-codering P. 47
contr.sum Effect-codering P. 48
4. Toetsing
4.2 toets voor alle predictoren
lm(afh ~ 1, data=…) Lineaire regressie van nulmodel P. 53
anova(fit0_model, fit_model) Modelvergelijking die effect voor P. 53
alle predictoren toetst.
RRS Fout kwadratensommen in output P. 53
, Res.Df Overeenkomstig aantal P. 53
vrijheidsgraden in output
Sum of Sq SSR = SST-SSE, variantie verklaard P. 53
door model.
4.4 toets voor 1 predictor
Anova(fit_model, type=3) Resultaten voor de toetsen van alle P. 59
predictoren afzonderlijk
5. Interactie
5.4 voorbeeld herstel coma
Effect(“…”, fit_model) Verschillende effecten in het model P. 71
van een variabele (package
effects)
….:… Interactie effect tussen 2 P. 74
variabelen.
Deel 3.5 logistische regressie
6. Parameterschattingen
6.1 voorbeeld programmeertaak
glm(afh ~ pred, family = Logistische regressie, met de P. 17
binomial (link = “logit”), uitkomst die binomiaal is, waarvan
data = …) de logit van de verwachte uitkomst
gemodelleerd wordt.
exp(…) Exponent berekenen van geschatte P. 17
coëfficiënten.
exp(model$coef) Exponenten van de geschatte P. 18
parameters in het model.
Residuals deviance In output, model deviance aflezen P. 19
summary(model)$deviance Model deviance opvragen van het P. 19
model.
6.2 voorbeeld moraliteit
…<- Model modelleren zodat het P. 20
relevel(model$variabele, referentieniveau overeenstemt met
ref= ”naam de onderzoeksvraag.
referentieniveau”)
7. Toetsing
7.1 Wald-toets
Anova(model, type =3, Wald-toets uitvoeren (package car) P. 26
test=”Wald”)
z value In output, de vierkantswortel van P. 27
de Wald toetsingsgrootheid.
7.2 LRT
anova(model1, model 2, Volgens de LRT twee modellen met P. 29
analyse
1. Het lineaire regressie model
1.5 predicties
predict(fit_model, newdata Op basis van het geschatte model P. 27
= …) (fit_model) de uitkomst voorspellen
voor de waarden in een nieuw
dataframe.
predict(fit_model, newdata= Zoals hierboven + vragen naar P. 28
…., interval = ‘confidence’ betrouwbaarheidsinterval of
of ‘prediction’) predictie interval.
lwr Ondergrens in output P. 28
upr Bovengrens in output P. 28
plot(fit_model) Model assumpties nagaan P. 30
2. De grootte van het effect
2.2 semi-partiële en partiële correlatie
eta.Squared(fit_model, Semi-partiële en partiële correlatie P. 39
type=3, anova = TRUE) bekomen.
eta.sq Semi-partiële correlatie in output P. 39
eta.sq.part Partiële correlatie P. 39
SS Verschillende kwadratensommen in P. 40
output
eta.sq bij residuals Proportie van de variantie in de P. 40
uitkomst die niet verklaard wordt
door het model. (SSE/SST)
2.3 betrouwbaarheidsintervallen voor betha
confint(fit_model) Betrouwbaarheidsinterval van 95% P. 41
opvragen
3. Regressie met nominale predictoren
3.2 voorbeeld pijneducatie
contrasts(….$...) Opvragen welke restrictie schema P. 45
gehanteerd wordt.
contr.treatment Dummy-codering P. 47
contr.sum Effect-codering P. 48
4. Toetsing
4.2 toets voor alle predictoren
lm(afh ~ 1, data=…) Lineaire regressie van nulmodel P. 53
anova(fit0_model, fit_model) Modelvergelijking die effect voor P. 53
alle predictoren toetst.
RRS Fout kwadratensommen in output P. 53
, Res.Df Overeenkomstig aantal P. 53
vrijheidsgraden in output
Sum of Sq SSR = SST-SSE, variantie verklaard P. 53
door model.
4.4 toets voor 1 predictor
Anova(fit_model, type=3) Resultaten voor de toetsen van alle P. 59
predictoren afzonderlijk
5. Interactie
5.4 voorbeeld herstel coma
Effect(“…”, fit_model) Verschillende effecten in het model P. 71
van een variabele (package
effects)
….:… Interactie effect tussen 2 P. 74
variabelen.
Deel 3.5 logistische regressie
6. Parameterschattingen
6.1 voorbeeld programmeertaak
glm(afh ~ pred, family = Logistische regressie, met de P. 17
binomial (link = “logit”), uitkomst die binomiaal is, waarvan
data = …) de logit van de verwachte uitkomst
gemodelleerd wordt.
exp(…) Exponent berekenen van geschatte P. 17
coëfficiënten.
exp(model$coef) Exponenten van de geschatte P. 18
parameters in het model.
Residuals deviance In output, model deviance aflezen P. 19
summary(model)$deviance Model deviance opvragen van het P. 19
model.
6.2 voorbeeld moraliteit
…<- Model modelleren zodat het P. 20
relevel(model$variabele, referentieniveau overeenstemt met
ref= ”naam de onderzoeksvraag.
referentieniveau”)
7. Toetsing
7.1 Wald-toets
Anova(model, type =3, Wald-toets uitvoeren (package car) P. 26
test=”Wald”)
z value In output, de vierkantswortel van P. 27
de Wald toetsingsgrootheid.
7.2 LRT
anova(model1, model 2, Volgens de LRT twee modellen met P. 29
