4.2. Enkelvoudige lineaire regressie (Half)

---

title: "Enkelvoudige lineaire regressie"

output: html_document

---

# PC-les 4: Enkelvoudige lineaire regressie

## Enkelvoudige lineaire regressie met een continue predictor: log-transformatie

Herinner u de opgave van de gezamelijke oefeningenles:

Bij 96 vissen (dojovissen, goudvissen en zebravissen) werd de resistentie tegen het vergif EI-43,064 getest door elke vis individueel in een vat met 2 liter water en een bepaalde `dosis` (in mg) van het vergif te steken. Naast de overlevingstijd in minuten (de uitkomst, `minsurv`) werd ook het `gewicht` van de vis gemeten (in gram).

In deze aparte oefeningenles gaan we verder in op de onderzoeksvraag: "Wat is de associatie tussen dosis en overlevingstijd?" In de gezamelijke oefeningenles zagen we immers dat de residuen geen normale verdeling volgen en ook assumptie van homoscedasticiteit geschonden is. In deze les zullen we beroep doen op een (log-)transformatie van de afhankelijke variabele om toch aan deze assumpties te voldoen.

Lees de dataset poison.dat opnieuw in via `read.table`.

```{r}

poison = read.table("poison.dat", sep="", header = TRUE)

#We gebruiken de volgende variabelen:

soort = poison$soort

gewicht = poison$gewicht

dosis = poison$dosis

minsurv = poison$minsurv

```

#### 1. Waarom een log-transformatie?

Herinner u: bij het model van vorige les hadden de residuen een korte linkse staart en een lagen rechtse staart.

```{r}

model1 = lm(minsurv~dosis)

qqnorm(resid(model1))

qqline(resid(model1))