Rows: 53940 Columns: 11
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (3): cut, color, clarity
dbl (8): rownames, carat, depth, table, price, x, y, z
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
Aber zuerst zentrieren wir den metrischen Prädiktor carat, um den Achsenabschnitt besser interpretieren zu können.
Dann berechnen wir ein (bayesianisches) Regressionsmodell, wobei wir auf die Standardwerte der Prior zurückgreifen.
library(rstanarm)library(easystats)lm1 <-stan_glm(price ~ carat_z, data = diamonds,chains =1, # nur ein Mal Stichproben ziehen, spart Zeit (auf Kosten der Genauigkeit)refresh =0)parameters(lm1)
Was kostet in Diamant mittlerer Größe laut Modell lm1? Runden Sie auf eine Dezimale. Geben Sie nur eine Zahl ein.
Geben Sie eine Regressionsformel an, die lm1 ergänzt, so dass die Schliffart (cut) des Diamanten kontrolliert (adjustiert) wird. Anders gesagt: Das Modell soll die mittleren Preise für jede der fünf Schliffarten angeben. Geben Sie nur die Regressionsformel an. Lassen Sie zwischen Termen jeweils ein Leerzeichen Abstand.
Hinweis: Es gibt (laut Datensatz) folgende Schliffarten (und zwar in der folgenden Reihenfolge):
diamonds %>%distinct(cut)
# A tibble: 5 × 1
cut
<chr>
1 Ideal
2 Premium
3 Good
4 Very Good
5 Fair
Solution
Unser Modell lm1 schätzt den Preis eines Diamanten mittlerer Größe auf etwa 3932.5 (was immer auch die Einheiten sind, Dollar vermutlich).
Man könnte hier noch einen Interaktionseffekt ergänzen, wenn man Grund zur Annahme hat, dass es einen gibt.
Categories:
regression
lm
qm2
bayes
adjust
Source Code
---extype: clozeexclozetype: num|stringexsolution: 3932.5|r regression_formelexname: adjustieren2expoints: 0.5categories:- regression- lm- qm2- bayes- adjust- qm2-pruefungdate: '2022-09-04'slug: adjustieren2title: adjustieren2---```{r libs, include = FALSE}library(tidyverse)``````{r global-knitr-options, include=FALSE}knitr::opts_chunk$set(fig.pos = 'H', fig.asp = 0.618, fig.width = 4, fig.cap = "", fig.path = "", echo = TRUE, cache = TRUE)```# ExerciseBetrachten Sie folgendes Modell, das den Zusammenhang des Preises (`price`) und dem Gewicht (`carat`) von Diamanten untersucht (Datensatz `diamonds`).```{r}library(tidyverse)diamonds <-read_csv("https://vincentarelbundock.github.io/Rdatasets/csv/ggplot2/diamonds.csv")```Aber zuerst zentrieren wir den metrischen Prädiktor `carat`, um den Achsenabschnitt besser interpretieren zu können. ```{r}diamonds <- diamonds %>%mutate(carat_z = carat -mean(carat, na.rm =TRUE))```Dann berechnen wir ein (bayesianisches) Regressionsmodell, wobei wir auf die Standardwerte der Prior zurückgreifen.```{r message=FALSE}library(rstanarm)library(easystats)lm1 <- stan_glm(price ~ carat_z, data = diamonds, chains = 1, # nur ein Mal Stichproben ziehen, spart Zeit (auf Kosten der Genauigkeit) refresh = 0)parameters(lm1)```Zur Verdeutlichung ein Diagramm zum Modell:```{r}diamonds %>%ggplot() +aes(x = carat_z, y = price) +geom_point() +geom_smooth(method ="lm")```Answerlist----------a) Was kostet in Diamant mittlerer Größe laut Modell `lm1`? Runden Sie auf eine Dezimale. Geben Sie nur eine Zahl ein.b) Geben Sie eine Regressionsformel an, die `lm1` ergänzt, so dass die Schliffart (`cut`) des Diamanten kontrolliert (adjustiert) wird. Anders gesagt: Das Modell soll die mittleren Preise für jede der fünf Schliffarten angeben. Geben Sie nur die Regressionsformel an. Lassen Sie zwischen Termen jeweils ein Leerzeichen Abstand.*Hinweis*: Es gibt (laut Datensatz) folgende Schliffarten (und zwar in der folgenden Reihenfolge):```{r}diamonds %>%distinct(cut)```</br></br></br></br></br></br></br></br></br></br># Solution```{r echo = FALSE}regression_formel <- "price ~ carat_z + cut"```a) Unser Modell `lm1` schätzt den Preis eines Diamanten mittlerer Größe auf etwa `3932.5` (was immer auch die Einheiten sind, Dollar vermutlich).b) `price ~ carat_z + cut`Dieses zweite Modell könnten wir so berechnen:```{r message=FALSE}lm2 <- stan_glm(price ~ carat_z + cut, data = diamonds, chains = 1, refresh = 0)parameters(lm2)```Ein "normales" (frequentistisches) `lm` käme zu ähnlichen Ergebnissen:```{r}lm(price ~ carat_z + cut, data = diamonds)```Man könnte hier noch einen Interaktionseffekt ergänzen, wenn man Grund zur Annahme hat,dass es einen gibt.---Categories: - regression- lm- qm2- bayes- adjust