Noter om R

C Polynomiel regression og regressionskurve i R
I afsnit 13 så vi hvordan man i R nemt foretager lineær regression med funktionen lm.
Det er næsten lige så nemt at beregne en polynomiel regressionskurve, for eksempel at finde det
andengradspolynomium der bedst passer til væksthormonforsøgsdatasættet d (se afsnit 13). Man bruger
igen funktionen lm til at finde de koefficienter c, b og a der bedst passer med y = c + bx + ax 2 hvor y
er Kontrol og x er Tid.
> preg preg
Coefficients:
(Intercept) Tid I(Tid^2)
6.318e+00 -2.801e-03 1.523e-06
Det beregnede andengradspolynomium preg er y = 6.318−0.002801x + 0.000001523x 2 . I kaldet til
lm betyder funktionen I i R-formlen at Tidˆ2 skal betragtes som en variabel der indgår i den lineære
model, ikke som en specifikation i R’s modelsprog, hvor operatoren ˆ har speciel betydning. Hvis man
inkluderer regneudtryk som variable er det altid sikrest at pakke dem ind i I().
For at indtegne polynomiet på plottet over dataene skal man opbygge en vektor m af x-værdier,
såkaldte “støttepunkter”. For hvert af disse beregnes polynomiets y-koordinat ved hjælp af funktionen
predict. Tilsammen udgør m og værdierne beregnet af predict et sæt (x, y)-koordinater for polynomiet,
og de bruges i funktionen lines til at tilføje polynomiet til dataplottet:
> m lines(m, predict(preg, data.frame(Tid=m)), col="red")
Polynomiel regression med hensyn til polynomier af højere grad, eller med hensyn til andre transformerede
variable, kan laves på samme måde:
> preg3 lines(m, predict(preg3, data.frame(Tid=m)), col="green")
> logreg lines(m, predict(logreg, data.frame(Tid=m)), col="yellow")
121