เราใช้การวิเคราะห์การถดถอยเพื่อสร้างแบบจำลองที่อธิบายถึงผลกระทบของการเปลี่ยนแปลงในตัวแปรทำนายที่มีต่อตัวแปรตอบกลับ บางครั้งถ้าเรามีตัวแปรเด็ดขาดที่มีค่าเช่นใช่ / ไม่ใช่หรือชาย / หญิงเป็นต้นการวิเคราะห์การถดถอยอย่างง่ายให้ผลลัพธ์หลายค่าสำหรับแต่ละตัวแปรของตัวแปรเด็ดขาด ในสถานการณ์ดังกล่าวเราสามารถศึกษาผลกระทบของตัวแปรเด็ดขาดโดยใช้มันพร้อมกับตัวแปรทำนายและเปรียบเทียบสายการถดถอยสำหรับแต่ละระดับของตัวแปรเด็ดขาด การวิเคราะห์เช่นนี้เรียกว่าการวิเคราะห์ความแปรปรวนร่วมหรือที่เรียกว่า ANCOVA
ตัวอย่าง
พิจารณาR
ชุดข้อมูลในmtcars
ตัว ในนั้นเราสังเกตว่าสนามam
แสดงประเภทของการส่ง (อัตโนมัติหรือด้วยตนเอง) มันเป็นตัวแปรเด็ดขาดที่มีค่า 0 และ 1 ไมล์ต่อแกลลอนค่า ( mpg
) ของรถยนต์ยังสามารถขึ้นอยู่กับมันนอกเหนือจากค่าพลังม้า ( hp
) เราศึกษาผลกระทบของค่าของam
บนถดถอยระหว่างและmpg
hp
มันทำโดยใช้aov()
ฟังก์ชั่นตามด้วยanova()
ฟังก์ชั่นเพื่อเปรียบเทียบการถดถอยหลาย ๆ
การป้อนข้อมูล
สร้างกรอบข้อมูลที่มีเขตข้อมูลmpg
, hp
และจากชุดข้อมูลam
mtcars
ที่นี่เรารับmpg
เป็นตัวแปรตอบสนองhp
เป็นตัวแปรทำนายและam
เป็นตัวแปรเด็ดขาด
input <- mtcars[,c("am","mpg","hp")]
head(input)
เมื่อเรารันโค้ดด้านบนมันจะสร้างผลลัพธ์ดังต่อไปนี้:
am mpg hp
Mazda RX4 1 21.0 110
Mazda RX4 Wag 1 21.0 110
Datsun 710 1 22.8 93
Hornet 4 Drive 0 21.4 110
Hornet Sportabout 0 18.7 175
Valiant 0 18.1 105
ANCOVA วิเคราะห์
เราสร้างการซักแบบการถดถอยhp
เป็นตัวแปรทำนายและmpg
เป็นตัวแปรตอบสนองโดยคำนึงถึงการมีปฏิสัมพันธ์ระหว่างและam
hp
แบบจำลองที่มีปฏิสัมพันธ์ระหว่างตัวแปรเด็ดขาดและตัวแปรตัวทำนาย
สร้างแบบจำลองการถดถอย 1
result1 <- aov(mpg~hp*am,data=mtcars)
summary(result1)
เมื่อเรารันโค้ดด้านบนมันจะสร้างผลลัพธ์ดังต่อไปนี้:
Df Sum Sq Mean Sq F value Pr(>F)
hp 1 678.4 678.4 77.391 1.50e-09 ***
am 1 202.2 202.2 23.072 4.75e-05 ***
hp:am 1 0.0 0.0 0.001 0.981
Residuals 28 245.4 8.8
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
ผลลัพธ์นี้แสดงให้เห็นว่าทั้งพลังม้าและประเภทเกียร์มีผลกระทบอย่างมีนัยสำคัญต่อไมล์ต่อแกลลอนเนื่องจากค่า p ในทั้งสองกรณีน้อยกว่า 0.05 แต่ปฏิสัมพันธ์ระหว่างตัวแปรทั้งสองนี้ไม่มีนัยสำคัญเนื่องจากค่า p มีค่ามากกว่า 0.05
ตัวแบบที่ไม่มีปฏิสัมพันธ์ระหว่างตัวแปรเด็ดขาดและตัวแปรตัวทำนาย
สร้างแบบจำลองการถดถอย 2
result2 <- aov(mpg~hp+am,data=mtcars)
summary(result2)
เมื่อเรารันโค้ดด้านบนมันจะสร้างผลลัพธ์ดังต่อไปนี้:
Df Sum Sq Mean Sq F value Pr(>F)
hp 1 678.4 678.4 80.15 7.63e-10 ***
am 1 202.2 202.2 23.89 3.46e-05 ***
Residuals 29 245.4 8.5
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
ผลลัพธ์นี้แสดงให้เห็นว่าทั้งพลังม้าและประเภทเกียร์มีผลกระทบอย่างมีนัยสำคัญต่อไมล์ต่อแกลลอนเนื่องจากค่า p ในทั้งสองกรณีน้อยกว่า 0.05
การเปรียบเทียบสองโมเดล
ตอนนี้เราสามารถเปรียบเทียบทั้งสองโมเดลเพื่อสรุปว่าปฏิสัมพันธ์ของตัวแปรนั้นไม่มีนัยสำคัญหรือไม่ สำหรับสิ่งนี้เราใช้anova()
ฟังก์ชั่น
anova(result1,result2)
Model 1: mpg ~ hp * am
Model 2: mpg ~ hp + am
Res.Df RSS Df Sum of Sq F Pr(>F)
1 28 245.43
2 29 245.44 -1 -0.0052515 6e-04 0.9806
เนื่องจากค่า p มากกว่า 0.05 เราจึงสรุปได้ว่าการทำงานร่วมกันระหว่างพลังม้าและประเภทการส่งสัญญาณไม่สำคัญ ดังนั้นระยะไมล์ต่อแกลลอนจะขึ้นอยู่กับลักษณะคล้ายกันกับกำลังของรถในโหมดเกียร์อัตโนมัติและเกียร์ธรรมดา