In der Praxis sagen wir im Allgemeinen, dass jede Beobachtung<\/a> in einem Datensatz, deren Studentenresiduum gr\u00f6\u00dfer als ein absoluter Wert von 3 ist, ein Ausrei\u00dfer ist.<\/span><\/p>\n Mit der Funktion studres()<\/strong> aus dem MASS-Paket, das die folgende Syntax verwendet, k\u00f6nnen wir schnell die studentisierten Residuen jedes Regressionsmodells in R erhalten:<\/span><\/p>\n Studres(Modell)<\/strong><\/span><\/p>\n wobei \u201emodel\u201c<\/em> ein beliebiges lineares Modell darstellt.<\/span><\/p>\n Angenommen, wir erstellen das folgende einfache lineare Regressionsmodell<\/a> in R unter Verwendung des integrierten mtcars-<\/em> Datensatzes:<\/span><\/p>\n Wir k\u00f6nnen die Funktion studres()<\/strong> aus dem MASS-Paket verwenden, um die studentisierten Residuen f\u00fcr jede Beobachtung im Datensatz zu berechnen:<\/span><\/p>\n Wir k\u00f6nnen auch eine schnelle Darstellung der Werte der Pr\u00e4diktorvariablen gegen\u00fcber den entsprechenden untersuchten Residuen erstellen:<\/span> <\/p>\n Aus der Grafik k\u00f6nnen wir ersehen, dass keine der Beobachtungen ein Student-Residuum mit einem absoluten Wert von mehr als 3 aufweist, sodass es im Datensatz keine klaren Ausrei\u00dfer gibt.<\/span><\/p>\n Wenn wir m\u00f6chten, k\u00f6nnen wir auch die studentisierten Residuen jeder Beobachtung im Originaldatensatz wieder hinzuf\u00fcgen:<\/span><\/p>\n Anschlie\u00dfend k\u00f6nnen wir jede Beobachtung anhand ihres studentischen Residuums vom gr\u00f6\u00dften zum kleinsten sortieren, um eine Vorstellung davon zu bekommen, welche Beobachtungen den Ausrei\u00dfern am n\u00e4chsten kommen:<\/span><\/p>\n So f\u00fchren Sie eine einfache lineare Regression in R durch<\/a> Ein Studenten-Residuum ist einfach ein Residuum dividiert durch seine gesch\u00e4tzte Standardabweichung. In der Praxis sagen wir im Allgemeinen, dass jede Beobachtung in einem Datensatz, deren Studentenresiduum gr\u00f6\u00dfer als ein absoluter Wert von 3 ist, ein Ausrei\u00dfer ist. Mit der Funktion studres() aus dem MASS-Paket, das die folgende Syntax verwendet, k\u00f6nnen wir schnell die studentisierten Residuen […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Beispiel: Berechnung studentisierter Residuen in R<\/strong><\/span><\/h3>\n
#build simple linear regression model<\/span>\nmodel <- lm(mpg ~ disp, data=mtcars)\n<\/strong><\/pre>\n library<\/span> (MASS)<\/span>\n\n#calculate studentized residuals<\/span>\nstud_resids <- studres(model)\n\n#view first three studentized residuals<\/span>\nhead(stud_resids, 3)\n\n Mazda RX4 Mazda RX4 Wag Datsun 710 \n -0.6236250 -0.6236250 -0.7405315 \n<\/strong><\/pre>\n #plot predictor variable vs. studentized residuals\n<\/span>plot(mtcars$disp, stud_resids, ylab=' Studentized Residuals<\/span> ', xlab=' Displacement<\/span> ') \n\n#add horizontal line at 0\n<\/span>abline(0, 0)<\/strong> <\/pre>\n![\"Studentisierte](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/etudiant1.png\")
<\/p>\n #add studentized residuals to orignal dataset\n<\/span>final_data <- cbind<\/span> (mtcars[c(' mpg<\/span> ', ' disp<\/span> ')], stud_resids)\n\n#view final dataset\n<\/span>head(final_data)\n\n mpg disp stud_resids\nMazda RX4 21.0 160 -0.6236250\nMazda RX4 Wag 21.0 160 -0.6236250\nDatsun 710 22.8 108 -0.7405315\nHornet 4 Drive 21.4 258 0.7556078\nHornet Sportabout 18.7 360 1.2658336\nValiant 18.1 225 -0.6896297<\/strong><\/pre>\n #sort studentized residuals descending\n<\/span>final_data[ order<\/span> (-stud_resids),]\n\n mpg disp stud_resids\nToyota Corolla 33.9 71.1 2.52397102\nPontiac Firebird 19.2 400.0 2.06825391\nFiat 128 32.4 78.7 2.03684699\nLotus Europa 30.4 95.1 1.53905536\nHonda Civic 30.4 75.7 1.27099586\nHornet Sportabout 18.7 360.0 1.26583364\nChrysler Imperial 14.7 440.0 1.06486066\nHornet 4 Drive 21.4 258.0 0.75560776\nPorsche 914-2 26.0 120.3 0.42424678\nFiat X1-9 27.3 79.0 0.30183728\nMerc 240D 24.4 146.7 0.26235893\nFord Pantera L 15.8 351.0 0.20825609\nCadillac Fleetwood 10.4 472.0 0.08338531\nLincoln Continental 10.4 460.0 -0.07863385\nDuster 360 14.3 360.0 -0.14476167\nMerc 450SL 17.3 275.8 -0.28759769\nDodge Challenger 15.5 318.0 -0.30826585\nMerc 230 22.8 140.8 -0.30945955\nMerc 450SE 16.4 275.8 -0.56742476\nAMC Javelin 15.2 304.0 -0.58138205\nCamaro Z28 13.3 350.0 -0.58848471\nMazda RX4 Wag 21.0 160.0 -0.62362497\nMazda RX4 21.0 160.0 -0.62362497\nMaserati Bora 15.0 301.0 -0.68315010\nValiant 18.1 225.0 -0.68962974\nDatsun 710 22.8 108.0 -0.74053152\nMerc 450SLC 15.2 275.8 -0.94814699\nToyota Corona 21.5 120.1 -0.99751166\nVolvo 142E 21.4 121.0 -1.01790487\nMerc 280 19.2 167.6 -1.09979261\nFerrari Dino 19.7 145.0 -1.24732999\nMerc 280C 17.8 167.6 -1.57258064\n<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie eine multiple lineare Regression in R durch<\/a>
So erstellen Sie ein Residuendiagramm in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"