Regressiemodel fitten (Fit Regression Model)
Fit Regression Model fit een regressievergelijking voor een continue respons met meerdere continue en categorische voorspellers. Gebruik het voor voorspelling, verbandanalyse en prognoses; categorische responsen vereisen logistische regressie. Verzamel representatieve, nauwkeurige gegevens, controleer multicollineariteit met VIF en valideer met residuplots. Toetsen gebruiken Adjusted (Type III, de standaard) of Sequential (Type I) kwadratensommen, met betrouwbaarheidsintervallen standaard op 95%.
Laatst beoordeeld
Belangrijkste conclusie
Fit Regression Model bouwt een vergelijking die kwantificeert hoe een of meer continue of categorische voorspellers een continue respons beïnvloeden, zodat u significante variabelen kunt identificeren en uitkomsten kunt voorspellen.
Op deze pagina
Wat is Fit Regression Model?
Fit Regression Model is een statistische tool om het verband tussen een of meer voorspellende variabelen en een continue responsvariabele te onderzoeken en te kwantificeren. In tegenstelling tot Fit Line Model, dat slechts één voorspeller aankan, ondersteunt Fit Regression Model meerdere voorspellers — zowel continue als categorische — waardoor het veelzijdiger is voor data-analyse in de praktijk.
Het bouwt een wiskundige vergelijking door uw gegevens die het best beschrijft hoe de voorspellers samen de respons beïnvloeden. Deze vergelijking kan vervolgens worden gebruikt om patronen te begrijpen, significante variabelen te identificeren en toekomstige uitkomsten te voorspellen.
Eenvoudige definitie: Een tool die het beste wiskundige verband vindt tussen meerdere invoervariabelen en één uitvoervariabele, zodat u trends begrijpt en nauwkeurige voorspellingen kunt doen.
Wanneer gebruikt u Fit Regression Model?
Een gefit regressiemodel wordt doorgaans gebruikt wanneer het verband tussen een of meer onafhankelijke variabelen en een afhankelijke variabele moet worden geanalyseerd. Het is een nuttige tool om het gedrag van een afhankelijke variabele te voorspellen en te begrijpen op basis van de waarden van de onafhankelijke variabelen.
Hier zijn enkele veelvoorkomende situaties waarin een gefit regressiemodel nuttig kan zijn:
- Voorspellend modelleren: Als u de waarde van een afhankelijke variabele wilt voorspellen op basis van de waarden van een of meer onafhankelijke variabelen, kan een gefit regressiemodel nuttig zijn. U wilt bijvoorbeeld de verkoop van een product voorspellen op basis van factoren zoals prijs, reclame en klantdemografie.
- Verbandanalyse: Als u het verband tussen een afhankelijke variabele en een of meer onafhankelijke variabelen wilt begrijpen, kan een gefit regressiemodel helpen. U wilt bijvoorbeeld het verband tussen inkomen en opleidingsniveau begrijpen, of tussen beweegpatroon en gezondheidsuitkomsten.
- Prognoses: Als u toekomstige waarden van een afhankelijke variabele wilt voorspellen op basis van historische gegevens, kan een gefit regressiemodel nuttig zijn. U wilt bijvoorbeeld de toekomstige verkoop prognosticeren op basis van historische verkoopgegevens en andere variabelen zoals economische indicatoren en seizoenstrends.
- Voorspellers kunnen continu, categorisch of een combinatie van beide zijn.
- Discrete variabelen kunnen als continu of categorisch worden behandeld, afhankelijk van het aantal niveaus en het doel van de analyse.
- De responsvariabele moet continu zijn.
- Een categorische respons voldoet waarschijnlijk niet aan de modelaannames en levert waarschijnlijk geen nauwkeurige voorspellingen op.
Over het algemeen kan een gefit regressiemodel nuttig zijn wanneer het gedrag van een afhankelijke variabele moet worden begrepen of voorspeld op basis van een of meer onafhankelijke variabelen.
Richtlijnen voor correct gebruik van Fit Regression Model
- Gebruik een continue responsvariabele met een of meer continue of categorische voorspellers; als de respons categorisch is of op tellingen is gebaseerd, pas dan in plaats daarvan het passende logistische of Poisson-model toe.
- Zorg dat de gegevens de doelpopulatie nauwkeurig weergeven; vertekende of onvolledige steekproeven leiden tot onbetrouwbare resultaten.
- Verzamel voldoende datapunten voor de benodigde statistische precisie en een stabiel regressiemodel.
- Meet alle variabelen zo nauwkeurig en precies mogelijk; meetfouten beïnvloeden de kwaliteit van het gefitte model rechtstreeks.
- Leg gegevens vast in de volgorde waarin ze zijn verzameld om tijdgebonden trends of patronen in de residuen te kunnen opsporen.
- Controleer op multicollineariteit tussen voorspellers — als die ernstig is, wordt het moeilijk te bepalen welke voorspellers echt significant zijn. Gebruik de Variance Inflation Factors (VIF) in de Coefficients-tabel om de ernst te beoordelen.
- Valideer het model na het fitten met residuplots, diagnostische statistieken en samenvattende modelstatistieken; een slecht passend model kan tot misleidende conclusies leiden
Alternatieven: wanneer u Fit Regression Model niet gebruikt
- Om het verband tussen een continue voorspeller en een continue respons te visualiseren, gebruikt u een Gefitte-lijnplot.
- Voor een responsvariabele met twee categorieën gebruikt u Binaire logistische regressie.
- Voor responsvariabelen met drie of meer categorieën met een natuurlijke volgorde, zoals sterk oneens tot sterk eens, gebruikt u Ordinale logistische regressie.
- Voor responsvariabelen met drie of meer categorieën zonder natuurlijke volgorde, zoals kras, deuk en scheur, gebruikt u Nominale logistische regressie.
Voorbeeld van Fit Regression Model
Een medisch onderzoeker wil de effecten van verschillende factoren op de hartslag onderzoeken. De onderzoeker registreert lengte, gewicht, geslacht, rookvoorkeur, activiteitsniveau en rusthartslag van 91 studenten. Vervolgens verdeelt de onderzoeker de studenten willekeurig in twee groepen. De eerste groep rent een minuut ter plaatse, terwijl de andere groep stilstaat. Daarna registreert de onderzoeker de hartslag van de studenten opnieuw. De volgende stappen:
- De benodigde gegevens verzameld.

- Analyseer de gegevens nu in Zometric Statistical Software op https://statsai.zometric.com/.
- Om Fit Regression Model te vinden, kiest u Statistical module> Regression>Fit Regression Model.
- Voer in de tool de gegevens en de overige invoer als volgt in:

- Na gebruik van de bovengenoemde tool wordt de uitvoer als volgt weergegeven:




Zo voert u Fit Regression Model uit
De handleiding is als volgt:
- Meld u aan bij Zometric Statistical Software op https://statsai.zometric.com/
- Kies op de startpagina Statistical Tool> Regression > Fit Regression Model.
- Werk vervolgens de gegevens handmatig bij, of kopieer (Ctrl+C) de gegevens volledig uit een Excel-blad en plak (Ctrl+V) ze, of gebruik de optie Load Example, waarmee de voorbeeldgegevens worden geladen.
- Vul vervolgens de vereiste opties in.
- Klik ten slotte onderaan de pagina op Calculate en u krijgt de gewenste resultaten.
Op het dashboard van Fit Regression Model is het venster in twee delen verdeeld.

Links bevindt zich het Data Pane. In het Data Pane vormt elke rij één subgroep. Gegevens kunnen handmatig worden ingevoerd, of u kunt de gegevens volledig kopiëren (Ctrl+C) uit een Excel-blad en hier plakken (Ctrl+V).
Load example:Er worden voorbeeldgegevens geladen.
Load File: Hiermee laadt u Excel-gegevens rechtstreeks.
Rechts staan veel opties, als volgt:
- Response: In een regressiemodel is de responsvariabele de variabele die door de onafhankelijke variabelen of voorspellers wordt voorspeld of verklaard. Ze heet ook de afhankelijke variabele of de doelvariabele. De responsvariabele is de variabele die het regressiemodel probeert te schatten of te voorspellen op basis van de waarden van de onafhankelijke variabelen.
- Continuous Predictors: In een regressiemodel is een continue voorspeller een variabele die continue of numerieke waarden aanneemt en wordt gebruikt om de variatie in de responsvariabele te voorspellen of te verklaren. Continue voorspellers kunnen elke waarde binnen een bepaald bereik of interval aannemen en kunnen decimalen of breuken hebben.
- Categorical Predictors: In regressieanalyse zijn categorische voorspellers variabelen die een beperkt aantal discrete waarden aannemen, vaak categorieën of niveaus genoemd. Deze variabelen heten ook kwalitatieve of nominale variabelen, in tegenstelling tot kwantitatieve of numerieke variabelen.
- Confidence level: In regressieanalyse is het betrouwbaarheidsniveau een maat voor de precisie en nauwkeurigheid van de geschatte coëfficiënten van het regressiemodel. Het betrouwbaarheidsniveau is namelijk het aandeel op lange termijn van betrouwbaarheidsintervallen, op dezelfde manier berekend uit herhaalde steekproeven, dat de ware populatiewaarde van een coëfficiënt zou bevatten. Het betrouwbaarheidsniveau wordt meestal uitgedrukt als percentage en een gebruikelijke waarde is 95%. Dit betekent dat als hetzelfde regressiemodel herhaaldelijk met verschillende steekproeven zou worden geschat, ongeveer 95% van de resulterende betrouwbaarheidsintervallen de ware waarde van die coëfficiënt zou bevatten.
- Sum of squares for tests:
- Adjusted (Type III): De kwadratensom van elke term is de afname van de foutenkwadratensom wanneer die term wordt toegevoegd aan een model dat al alle andere termen bevat, zodat de toets niet afhangt van de volgorde waarin termen worden ingevoerd. Dit is de standaard en heeft doorgaans de voorkeur. Sequential (Type I): De kwadratensom van elke term is de afname van de foutenkwadratensom wanneer de term in de ingevoerde volgorde aan het model wordt toegevoegd, zodat de toets voor een term afhangt van de termen die eraan voorafgaan.
Veelgestelde vragen
Wat is Fit Regression Model?
Fit Regression Model onderzoekt en kwantificeert het verband tussen een of meer voorspellende variabelen en een continue responsvariabele. Het bouwt een vergelijking die het best beschrijft hoe de voorspellers samen de respons beïnvloeden, en die kan worden gebruikt om patronen te begrijpen, significante variabelen te identificeren en toekomstige uitkomsten te voorspellen. Voorspellers kunnen continu, categorisch of een combinatie van beide zijn.
Wat is het verschil tussen Fit Regression Model en Fit Line Model?
Fit Line Model kan slechts één voorspeller aan, terwijl Fit Regression Model meerdere voorspellers ondersteunt, zowel continue als categorische. Om het verband tussen één continue voorspeller en een continue respons te visualiseren, is een gefitte-lijnplot de eenvoudigere keuze; voor meerdere voorspellers gebruikt u Fit Regression Model.
Wanneer gebruikt u Fit Regression Model niet?
De respons moet continu zijn. Voor een respons met twee categorieën gebruikt u Binaire logistische regressie. Voor drie of meer categorieën met een natuurlijke volgorde, zoals sterk oneens tot sterk eens, gebruikt u Ordinale logistische regressie. Voor drie of meer categorieën zonder natuurlijke volgorde, zoals kras, deuk en scheur, gebruikt u Nominale logistische regressie.
Hoe controleert u op multicollineariteit in een regressiemodel?
Gebruik de Variance Inflation Factors (VIF) in de Coefficients-tabel om te beoordelen hoe ernstig de multicollineariteit tussen de voorspellers is. Als die ernstig is, wordt het moeilijk te bepalen welke voorspellers echt significant zijn. Valideer het model na het fitten ook met residuplots, diagnostische statistieken en samenvattende modelstatistieken, omdat een slecht passend model tot misleidende conclusies kan leiden.
