Lineare Regression (Kap. 1-5) (pdf) - Seminar für Statistik - ETH Zürich

5.S. S-FUNKTIONEN 65Analog zu drop1 gibt es eine Funktion add1, die prüft, ob Terme zum bestehenden Modellhinzugefügt werden sollen.b Funktion step. Die schrittweisen Verfahren sind in der Funktion step implementiert.Als erstes Argument verlangt step ein lm- (oder regr-) Resultat. Wenn nichts weiteresgegeben wird, dann läuft die Modellwahl schrittweise rückwärts. Man kann aber als Argumentscope=∼.+X5+X6 zusätzliche Terme (X5 und X6)angeben und auch festlegen, dassgewisse Terme in allen Modellen vorkommen müssen( scope=list(lower=∼X1, upper=∼.+X5+X6) ). Will man ein Vorwärts-Verfahren vom leeren Modell“an durchführen, dann muss man zunächst das leere Modell anpassen“, also t.r”” t.r t.rs t.ras summary(t.ras)Mit nvmax= maximale Anzahl Regressoren und mit force.in= kann man den Aufwandreduzieren und deshalb (noch) grössere Modelle verarbeiten.> t.ras update(t.r,formula= .-BW)zu einem Modell, das sich von dem in t.r abgespeicherten Modell-Ergebnis nur dadurchunterscheiden, dass der Term BW im Modell weggelassen wird. – Allerdings kann es geradeso effizient und transparent sein, mit ”copy-paste“ den vorhergehenden Aufruf von lm zuduplizieren und abzuändern.eDie Lasso-Methode ist im package library(lasso2) unter dem Namen l1ce implementiert.Die Standardisierung der Variablen muss man selber organisieren. Das Argumentbound legt die relative Schranke b fest (ausser man setzt absolute.t=TRUE). Man kanndiesem Argument mehrere Werte geben (einen Vektor), beispielsweisebound=seq(0.05,1,0.05) und erhält dann eine ganze Liste von Regressionsresultaten.Mit plot(...) erhält man eine Darstellung der erhaltenen Koeffizienten in Abhängigkeitvon der Schranke.> t.r plot(t.r)> summary(t.r[[5]])